[论文笔记1]Integral Channel Features

最新推荐文章于 2020-12-09 10:09:04 发布

John2King

最新推荐文章于 2020-12-09 10:09:04 发布

阅读量1k

点赞数

CC 4.0 BY-SA版权

分类专栏： CV

本文链接：https://blog.youkuaiyun.com/lebula/article/details/49636627

CV 专栏收录该内容

10 篇文章

订阅专栏

本文探讨了在图像处理中使用一阶通道特征的重要性，并介绍了如何通过线性或非线性变换来加速计算梯度直方图等特征的方法。特别关注了LUV转换的优化策略以及梯度直方图计算的近似技巧。此外，文章还讨论了软级联方法、尺度预平滑和分类器选择的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.yuv+gradient mag+gradient hist

2.用一阶通道特征就够了,高阶意义不大

3.对输入图像做线性或非线性变换后,使得诸如局部求和,直方图,haar-like(二阶)及其变种特征可以快速由积分图算出
4.LUV转换的瓶颈在于开立方根的运算,如何近似?
5.梯度直方图计算trick:两个2维向量角度的近似可以由:在向量空间沿着单位圆寻找二向量的点积的最大值.(二分查找快速实现).
6.一般而言:(320*240)LUV 135fps,gradient magnitude 140 fps, gradient histogram (6 bins) 60 fps. --> all 10 channel: 40 fps. or 30 fps if pre-smoothing with r <=8;(exclude classifier)
7.soft cascade:a threshold is used after evaluation of every weak classifier.boost,特征的值需要被量化并且在开始训练时被cached.
8.scale:pre-smoothing with a radius 1 binomial filter(sigma = 0.87) improved performance.
9.classifier: more weak classifier,depth-2 trees gave the best performance rather than stumps.(choice of boosting algo does not matter)

10.displayed channels are slightly smaller than input image,不要用边界

11.hog or any other types of feature can be converted into channel features.