目標提取

目標提取是指單幅圖像或序列圖像中將感興趣的目標與背景分割開來，從圖像中識別和解譯有意義的物體實體而提取不同的圖像特徵的操作。目標提取是一個至關重要的環節，它直接決定後續識別和跟蹤性能的好壞。現階段，目標提取的套用範圍很廣，在計算機視覺提取人臉特徵和指紋等，在攝影測量與遙感中，用於特徵點線的提取來進行影像匹配和三維建模等。

基本介紹

• 中文名：目標提取
• 外文名：object detection
• 領域：計算機領域
• 套用：影像匹配、三維建模

概述

目標提取是指單幅圖像或序列圖像中將感興趣的目標與背景分割開來，從圖像中識別和解譯有意義的物體實體而提取不同的圖像特徵的操作。目標提取的套用範圍很廣，在計算機視覺提取人臉特徵和指紋等，在攝影測量與遙感中，用於特徵點線的提取來進行影像匹配和三維建模等。目前，目標提取的方法主要有：基於參數度量的特徵提取；基於非參量度量的特徵提取；基於Karhumen-Loeve展開的特徵提取；小波變換特徵提取等。

目標特徵提取

直方圖特徵

直方圖特徵用數學統計方法提取目標的外觀特徵。舉例說明提取過程：對於一幅灰度圖像，將灰度值從0到255等分為8個區間，然後遍歷圖像的每個像素，統計分別落入每個區間的像素的個數，最後將8個區間的像素個數除以像素總和進行歸一化便得到直方圖特徵。

為了體現目標顏色的空間信息，可採用顏色空間二維直方圖——將圖像分割成若干個子區域，分別在各個子區域內統計顏色分布信息。將圖像分割的塊數越多越能體現目標顏色的空間信息，但是增大特徵的存儲空間，使跟蹤性能下降。

顏色特徵

RGB（紅綠藍）是依據人眼識別的顏色定義出的空間，可表示大部分顏色。但在科學研究一般不採用RGB顏色空間，因為它的細節難以進行數位化的調整。它將色調，亮度，飽和度三個量放在一起表示，很難分開。它是最通用的面向硬體的彩色模型。該模型用於彩色監視器和一大類彩色視頻攝像。

HSV顏色空間是一種面向視覺感知的顏色模型。H——色調，以角度表示；S——飽和度，V——亮度，二者取值都在0到1之間。HSV顏色空間袋額兩大特點：亮度分量與圖像的彩色信息無關；色調和飽和度分量與人感受顏色的方式是緊密相連的。HSV直接對應人眼色彩視覺特性的三要素，通道之間各自獨立，可以被獨立感知各顏色分量的變化，其中色調分量尤其影響人的視覺判斷。

圖像閾值分割

基本方法

視覺系統中的一個重要問題就是從圖像中識別代表物體的區域（或子圖像），為將物體區域同圖像其它區域分離出來，首先需要對圖像進行處理。把圖像劃分成區域的過程叫做分割，即把圖像劃分成區域P1、P2、P3……Pk，使得每一個區域對應一個候選的物體。對於二值視覺，分割和閾值化是同義的。通過閾值運算是否可以有效地進行圖像分割，取決於物體和背景之間是否有足夠的對比度。數字圖像的閾值分割是一種廣泛使用的圖像分割技術， 利用圖像中要提取的目標物體與背景在灰度特性上的差異， 從而把圖像視為具有不同灰度等級的兩類區域的組合。選取一個合適的閾值，將圖像中的每一個象素點與該閾值比較，確定圖像中各個像素點應該屬於目標區域，還是屬於背景區域，從而得到相應的二值圖像。閾值算法與套用領域密切相關。事實上，某一閾值運算
常常是為某一套用專門設計的，在其它領域可能無法套用。閾值的選擇一般是基於某一套用領域獲取的先驗知識，因此在某一些場合，前幾輪通常採用互動式方式來分析圖像，以便於確定合適的閾值。但是，在計算機圖像處理中，由於計算機自主性能的要求，這就必須進行自動閾值選擇，由計算機選擇合適的閾值，對圖像進行分割。

特點

閾值分割法的特點是：（1）原理清晰、易懂（2）算法實現簡單、清楚，運算量小（3）分割效果較好，對於對比度分明、反差大的圖像分割效果幾乎與其它大運算量的方法相當閾值的選擇要本著以下的原則： 背景區域儘可能的包含與背景相關聯的灰度級， 而物體區域則應包含物體的所有灰度級。
閾值分割的關鍵在於如何選擇閾值。人們對這一課題已進行了廣泛而深入的研究， 提出了多種自動選取閾值的方法，如直方圖閾值、最大類間方差閾值、二維最大熵閾值、模糊閾值、模糊C 均值法、共生矩陣閾值等。儘管閾值選取的方法很多， 但迄今還未找到一種對所有圖像都可以進行有效分割的方法， 某一種閾值分割的方法只能適用於某一類或幾類圖像。

三維目標提取

三維點雲的目標提取關鍵性的兩步為：特徵提取與選擇、分類，是不是整個方法流程與圖像中的目標識別有點像。本質上看，凡是涉及到目標識別，其方法流程大體是相同的。為什麼要搞特徵提取，因為我們要識別的目標一般是在一個大場景下，各種目標相互混雜，既然要對某個目標進行識別，當然就需要有一個指標或者數值來最大化不同目標之前的區別，這個指標或者數值就是所謂的目標特徵了。所以我們在對目標進行識別時，往往要採用適合本目標的特徵。就比如說圖像識別中的卷積神經網路CNN，為什麼它比用傳統通過手工設計的特徵進行識別的識別率要高一大截，本質原因就是CNN的特徵是通過學習得到的，而且特徵表示與分類器是聯合最佳化的。分類器就不累贅了，SVM、boosting、決策樹等等。