21、计算机视觉中的特征提取、显著性检测与图像运动描述

计算机视觉中的特征提取、显著性检测与图像运动描述

在计算机视觉领域，特征提取、显著性检测以及图像运动描述是至关重要的研究方向。下面将详细介绍相关的技术和方法。

1. 评估方法与技术性能

在评估特征提取技术时，有多种方法可供选择。例如，有研究对比了ORB、SIFT和BRIEF的综合性能。需要注意的是，不存在适用于所有情况的万能技术，技术的选择应根据具体应用而定。

曾经有一项全面的性能评估，比较了包括SIFT、微分导数、用于匹配的互相关以及基于梯度位置和方向的直方图（SIFT的扩展，表现良好）等基本算子。评估标准主要关注技术所选择的特征点之间的正确匹配数和错误匹配数。匹配过程是在原始图像和经过六种图像变换（旋转、尺度变化、视角变化、图像模糊、JPEG压缩和光照变化）之一的相同场景图像之间进行的。部分变换有两种场景类型可供研究，这有助于区分场景类型和变换的影响。

研究发现，在该分析中，基于SIFT的描述符表现最佳。不过，这是一个复杂的话题，技术的选择通常取决于具体应用。此外，对于性能评估以及对更高阶视图几何变化（如仿射和投影变换不变性）的研究也备受关注。后续还有更多针对新算子或新应用的比较研究，并且不可避免地出现了更快的实现方式。近年来，深度学习在提高速度和准确性方面也引发了广泛兴趣。

2. 显著性检测

2.1 基本显著性

早期的一种显著性算子旨在提取鲁棒且相关的特征。在该方法中，如果区域在某些特征和尺度空间中同时具有不可预测性，则被认为是显著的。不可预测性（稀有性）是从统计意义上确定的，通过生成位置和尺度上的显著性值空间，为后续分析提供基础。与传统方法相比，该技术是一种通用的尺度和显著性处理方法，