厦门莫格电气自动化有限公司销售ABB SPASO11 ，欢迎来电咨询！

​

SPASO11

SPASO11

您迈开询价的一小步，我还您成功的一大步。

目标检测和识别是计算机视觉系统的一个必不可少的组成部分。在计算机视觉中，首先是将场景分解成计算机可以看到和分析的组件。　　　　

　　计算机视觉的***步是特征提取，即检测图像中的关键点并获取有关这些关键点的有意义信息。特征提取过程本身包含四个基本阶段：图像准备、关键点检测、描述符生成和分类。实际上，这个过程会检查每个像素，以查看是否有特征存在于该像素中。　　　　

　　特征提取算法将图像描述为指向图像中的关键元素的一组特征向量。本文将回顾一系列的特征检测算法，在这个过程中，看看一般目标识别和具体特征识别在这些年经历了怎样的发展。　　　　

早期特征检测器　　　　

　　ScaleInvariantFeatureTransform（SIFT）以及GoodFeaturesToTrack（GFTT）是特征提取技术的早期实现。但这些属于计算密集型算法，涉及到大量的浮点运算，所以它们不适合实时嵌入式平台。　　　　

　　以SIFT为例，这种高精度的算法，在许多情况下都能产生不错的结果。它会查找具有子像素精度的特征，但只保留类似于角落的特征。而且，尽管SIFT非常准确，但要实时实现也很复杂，并且通常使用较低的输入图像分辨率。　　　　

SIFT是一种计算密集型算法　　　　

　　因此，SIFT在目前并不常用，它主要是用作一个参考基准来衡量新算法的质量。因为需要降低计算复杂度，所以***终导致要开发一套更容易实现的新型特征提取算法。　　　　

二代算法　　　　

　　SpeededUpRobustFeatures（SURF）是***早考虑实现效率的特征检测器之一。它使用不同矩形尺寸中的一系列加法和减法取代了SIFT中浩繁的运算。而且，这些运算容易矢量化，需要的内存较少。　　　　

　　接下来，HistogramsofOrientedGradients（HOG）这种在汽车行业中常用的热门行人检测算法可以变动，采用不同的尺度来检测不同大小的对象，并使用块之间的重叠量来提高检测质量，而不增加计算量。它可以利用并行存储器访问，而不像传统存储系统那样每次只处理一个查找表，因此根据内存的并行程度加快了查找速度。　　　　

　　然后，OrientedFASTandRotatedBRIEF（ORB）这种用来替代SIFT的***算法将使用二进制描述符来提取特征。ORB将方向的增加与FAST角点检测器相结合，并旋转BRIEF描述符，使其与角方向对齐。二进制描述符与FAST和HarrisCorner等轻量级函数相结合产生了一个计算效率非常高而且相当准确的描述图。　　　　

　　SURF和ORB等计算效率超高的算法为CNN之类的功能更强大的框架提供了实现的可能