machine-learning - 如何使用計算機視覺來查找圖像中的形狀？

實際問題

因為你需要一個尺度不變的方法（這是“可以是各種尺寸”的正確術語）SIFT（如圖中的Logo識別中提到的，感謝overrider！）是一個很好的首選，它現在非常受歡迎，值得一試。 你可以在這里找到一些代碼下載。 如果你不能使用Matlab，你可能應該使用OpenCV。 即使您最終由於某種原因丟棄SIFT，嘗試使其工作也會教會您一些關於對象識別的重要事項。

一般描述和術語

本節主要通過描述一大類對象檢測方法向您介紹一些重要的流行語，以便您可以查看這些內容。 重要提示：還有許多其他方法不屬於本課程。 我們稱這類為“基於特征的檢測”。

所以，首先你去找你的圖像特征。 這些是圖像的特征點（角點和線交叉是很好的例子），它們有很多不變性 ：無論你對圖像做什么合理的處理（縮放，旋轉，亮度變化，增加一些噪點等），它都會不改變某個角落存在角落的事實。 “像素值”或“垂直線”是不好的功能。 有時，除了位置之外，特征還會包含一些數字（例如角落的突出部分）。

然后你做一些清理，比如刪除不夠強大的功能。

然后你去你的數據庫 。 這是你事先建立起來的東西，通常是通過拍攝幾張漂亮而干凈的圖像來找到你想要找到的東西，運行你的特征檢測，清理東西，並將它們安排在下一階段的某些數據結構中 -

查找。 您必須從圖像中獲取一些功能，並嘗試將它們與您的數據庫進行匹配：它們是否與您要查找的對象相對應？ 這是非常重要的，因為從表面上看，你必須考慮你發現的一系列功能的所有子集，這是指數級的。 所以有各種各樣的智能散列技術可以做到，比如霍夫變換和幾何散列 。

現在你應該做一些驗證。 您在圖像中發現了一些可疑的地方：它們很可能包含您的對象。 通常，您知道對象的假定大小，方向和位置是什么，並且您可以使用簡單的東西（如卷積）來檢查它是否真的存在。

你最終得到了一堆概率，基本上：對於一些地方，你的物體存在的可能性有多大。 在這里你做一些離群檢測 。 如果您期望只有1-2次出現您的對象，那么您將尋找突出的最大概率，並僅采用這些點。 如果您預計會出現很多事件（例如，在一群人的照片上進行面部檢測），您將尋找非常低的概率並丟棄它們。

就是這樣，你完成了！