7、计算机视觉系统：从感知到决策的全面解析

计算机视觉系统：从感知到决策的全面解析

1. 目标识别与特征提取

在图像中识别目标时，可从训练图像中提取目标的关键点，为目标提供“特征描述”。Lowe 的图像特征生成方法能将图像转换为大量特征向量集合，这些向量对图像平移、缩放和旋转具有不变性，对光照变化部分不变，且对局部几何畸变具有鲁棒性。

对于基于内容的图像检索，通过识别输入图像与数据库中图像关键点的最近邻来进行匹配。但对于现代大型数据库，这些方法扩展性不佳，无法在可接受时间内从数据库中选出少量匹配图像。为加速搜索，Lowe 使用了 K - d 树算法的改进版 Best - bin - first（BBF）搜索方法，虽能以有限计算量大概率识别最近邻，但在高维空间中，因“维数灾难”问题，搜索效率可能退化为顺序搜索。

2. 位置识别

位置识别旨在对世界中的离散地点进行命名。需将环境离散划分为不同地点并表示，存储在数据库中。识别时，先根据机器人当前传感器测量值计算表示，再在数据库中搜索最相似表示，进而确定机器人位置。

视觉传感器（如相机）适合创建丰富、具描述性和区分性的表示。视觉表示主要分为全局表示和局部表示：
- 全局表示 ：将整个相机图像作为地点表示，可作为局部区域的紧凑表示，但无法识别特定空间结构。
- 局部表示 ：先识别图像显著区域，再创建表示，依赖兴趣点或兴趣区域检测器。随着有效兴趣点检测器的发展，局部方法实用且应用广泛，是位置识别的首选方式。

2.1 从特征袋到视觉词

仅用一组兴趣点表示图像称为特征袋。为每个兴趣点计算旋转、缩放、强度和视角