- LBP(局部二进制模式):
- 是机器视觉中常用到的一种特征,可有效处理光照变化。
- 算法:对图像中的某一像素点的灰度值与某领域的像素点的灰度值比较,如果领域的值比该点大,则赋值为1,反之赋值为0,然后从左上角开始顺时针可以得到一个bit chain然后再转为10进制。即将一个像素点与领域的差值关系用一个数表示,而光照变化引起像素值同增同减不会改变LBP的大小,尤其对于局部区域。
- 缺点:只能处理单张的二维图像。
- LBP-TOP:
- 提出原因:LBP只能处理单张的二维图像,所以提出了LBP-TOP,目前已被广泛用于基于视频的人脸表情识别
- 一个图像序列,给出三个正交平面的纹理图,X-Y 就是正常看到的图像,X-T 是每一行沿着时间轴扫描而过的纹理,Y-T 是每一列沿着时间轴扫描而过的图像。
- 算法:在这三个平面都提取 LBP 特征,然后把三个平面的 LBP 特征连接起来,就是 LBP-TOP。一般是图像分块之后再计算,所以LBP-TOP是一种高维特征。
- CV:
- 对质的分析,如分类识别或身份确认,或行为分析(如人员入侵,徘徊,遗留物,人群聚集等)
- 对量的分析:商场人数统计,对准确度要求不太高
- 特点:应用场景复杂,识别物体类型多,形状不规则,规律性不强,所以深度学习较适合cv。
- 侧重对量的分析,如测量零件直径,对准确度要求高
- 对质的分析:零件自动分拣
- 特点:场景相对简单固定,同一应用中识别类型少,规则,有规律,对准确度、处理速度要求较高,所以不适合采用深度学习。
本文章为转载内容,我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题,欢迎原作者联系我们进行内容更正或删除文章。