2016年4月27日

图像局部视觉特征：SIFT、HOG、LBP

图像描述：兴趣点检测、局部图像块描述方法、词包模型三者结合

词包模型：1、特征提取；2、特征编码；3、特征汇聚；4、分类器训练。

特征编码：

局部特征描述子进行Kmeans聚类构造图像的视觉的码本，（一个聚类中心对应一个视觉单词，所有视觉单词构成视觉码本）码本构成后，用最邻近的方法将局部特征映射到对应的码字上，统计局部特征在视觉码本出现的概率，构建图像的直方图描述。VQ（vector quantization）SC(sparse coding) LLC(locality constrained linear coding)

特征汇聚：编码后更好的特征表达。SPM（spatial pyramid matching）均匀分块，块内用max pooling。

分类器：最邻近、boosting、SVM有效完成目标检测与识别，分开背景和目标(原理：非线性变换将低维空间中的点映射到高位空间，是这些点线性可分，再使用线性判别函数实现低维空间的非线性判别函数实现目标分类。)

视觉模型：自底向上（bottom-up）自顶向上（top-down）

自底向上显著图（滑动窗口）自顶向下显著图（CRF condition random fields和字典联合）

超像素分割算法：基于梯度下降的算法、基于图论的方法。

简单线性迭代聚类SLIC (simple linear iterative clustering )

显著性检测——目标分类

超像素（分割图像）——初始显著图（convex-hull prior和local contrast prior）——最终显著图（smoothness prior）——最显著区域作为目标的近似区域——分割该区域（OSTU方法）——提取特征——词包模型——分类器

central bias

显著区域为中心的空间合并（SCP salient region centric pooling ）前景区域 背景区域

滑动窗口显著性检测

max-margin