研究现状：特征区域检测

2023-06-28 理论教育版权反馈

【摘要】：目前，常用的特征区域检测方法可以分为三类，分别是密集选取、稀疏选取和其他选取方法。密集选取方法在滑动窗口模型中应用较多，其优点就是基本没有丢失图像的细节，可以得到非常丰富的局部特征。但是其中很大一部分特征区域信息量过小，对后期的识别没有作用甚至起到干扰作用，加重了下一步特征优化工作的负担。但很多特征区域检测算法往往和图像的特性相关，应用到通用目标识别时，可能会有一定的局限。

目前，常用的特征区域检测方法可以分为三类，分别是密集选取、稀疏选取和其他选取方法。从本质上看，所有的这些方法都是建立在对图像像素遍历的基础之上的。

1.密集选取方法

这种方法的研究者普遍持有这样一种观点：在模式识别的低层处理中，所有图像区域都有一定的作用，丢失任何细节都可能对最终效果产生很大的影响。Ohba和Ikeuchi^{［133，134］}提出将图像密集地分为互不重叠的特征窗（Eigen Win-dows），每个特征窗都当作一个局部特征区域；Jurie^［78］以整幅图像的每一个像素点为中心，选取周围的区域作为局部特征区域；Dalal^［135］和Zhu^［136］采用在检测窗口的每个像素位置、不同尺度下提取大量的特征区域，以供进一步应用。

密集选取方法在滑动窗口模型中应用较多，其优点就是基本没有丢失图像的细节，可以得到非常丰富的局部特征。但是其中很大一部分特征区域信息量过小，对后期的识别没有作用甚至起到干扰作用，加重了下一步特征优化工作的负担。

2.稀疏选取方法

这种方法都是通过特征检测，选取具有显著特点的图像区域作为局部特征。检测算子一般可以分为基于形状（Shape-based）的检测算子和基于外观（Ap-pearance-based）的检测算子两类。

基于形状的检测算子是根据图像的形状特征（如边界、直线、弧线等）来确定特征区域的位置。主要应用于外形区分度明显的目标识别，如各种刚性的、无关节的物体。Gool^［137］利用图像的边缘信息对图像进行分析和理解，构造了线矩特征，作为一种局部信息量，它受到平移、旋转和尺度变化的影响较小；Be-longie^［138］围绕着梯度算子检测出的边缘点，提出了SC（Shape Context）特征，描述子的维度为36；Berg^［139］结合边缘方向能量与高斯核函数，得到了一种204维的局部特征，命名为GB（Geometic Blur）；Fergus^［140］用Canny算法检测图像的边缘，选择边缘点周围的区域作为特征区域。

基于外观的检测算子是在图像的灰度模式下，搜寻具有某种稳定性和不变性的特征点或关键区域。Beaudet^［141］通过对图像函数二阶导数的泰勒展开，得到了具有旋转不变性的Hessian矩阵，可以直接对灰度图像进行操作提取特征点；Harris等人^［142］受到了信号处理中自相关函数的启发，提出了Harris算法，也称为Plessey算法，这种算法是通过自相关矩阵来检测特征点的；随后，Mikolajc-zyk和Schmid等人结合拉普拉斯和高斯变换对Hessian和Harris算法进行了改进，提出了Harris-Laplace^［143］，Hessian-Laplace^［144］，Harris affine^［144］，Hessian af-fine^［145］四种检测算子；Lowe^［146］提出的高斯差分（Difference of Gaussian，DoG）算子是在尺度空间寻找极值点，结果比较稳定，抗噪能力较强；Kadir等人^［147］提出的SalReg（Salient Regions）算子，利用亮度直方图在尺度空间计算局部最大熵，将其所对应的圆形区域定义为特征区域；Matas等人^［148］结合分水岭算法和阈值思想提出了MSER（Maximally Stable Extremal Regions）算法，检测出的灰度值居中的稳定区域。

稀疏选取法检测出的特征区域数量一般在200～3000，其主要优点是简洁、紧致，图像的关键点远少于图像的像素，使得后面的识别过程能大大加速。但很多特征区域检测算法往往和图像的特性相关，应用到通用目标识别时，可能会有一定的局限。

3.其他选取方法

Nowak^［149］在研究向量空间模型的取样策略时发现，当训练集的样本足够多时，随机取样法能达到和某些稀疏取样相近甚至更好的结果。Moosmann等研究者^［32］提出了使用显著性映射在分类过程中动态选取图像块的方法。

三类特征区域检测方法都是建立在扫描、分析整幅输入图像的基础之上的，不同的是：密集选取方法在滑动窗口模型中应用较多，其优点就是基本没有丢失图像的细节，可以得到非常丰富的局部特征，但是其中很大一部分特征区域信息量过小，对后期的识别没有作用甚至起到干扰作用；随机选取等方法需要的训练集样本数量较大，这本身就加重了后面分类识别的负担；稀疏选取目前被广泛应用于各种目标识别系统，而且可供选用的算子不断涌现，但每个算子的效果往往和目标以及背景的特性有很大的关联，所以如何选择合适的检测算子是进行目标识别的关键。

研究现状：特征区域检测

相关推荐