2000-2010年计算机视觉技术演进：从特征提取到深度学习的萌芽

1次阅读

共计 1704 个字符，预计需要花费 5 分钟才能阅读完成。

2000 年代初的计算机视觉严重依赖手工设计特征。主流方法需人工定义图像中 ” 有意义 ” 的局部模式（如边缘、角点），这种范式存在三重局限：

泛化能力差：SIFT 特征在刚性物体（如建筑）上表现良好，但难以描述非刚性目标（如动物姿态）
计算成本高：HOG 特征计算需多步滤波和统计，640×480 图像处理耗时约 120ms（Pentium4 处理器）
参数敏感 ：SIFT 的尺度空间参数(σ=1.6, n=3) 和 HOG 的 cell 大小 (8×8) 需针对不同场景调整

SIFT 特征 通过尺度空间极值检测关键点：

L(x,y,σ)=G(x,y,σ)∗I(x,y)

其中高斯核 $G(x,y,σ)=\frac{1}{2πσ^2}e^{-(x^2+y^2)/2σ^2}$。关键点方向由梯度直方图确定：

θ(x,y)=atan2\left(\frac{L(x,y+1)-L(x,y-1)}{L(x+1,y)-L(x-1,y)}\right)

HOG 特征 则统计局部梯度方向：

v_{cell}=\sum_{x,y∈cell}\begin{cases} 1 & \text{if} θ(x,y)∈[0°,20°)\\ ... \\ 0 & \text{otherwise} \end{cases}

2006 年 Hinton 提出的深度信念网络 (DBN) 启发了卷积神经网络 (CNN) 的发展。与手工特征相比，CNN 通过多层卷积自动学习特征：

f^{(l)}(x)=σ\left(W^{(l)}∗f^{(l-1)}(x)+b^{(l)}\right)

关键差异在于：
1. 参数共享：CNN 的卷积核在整图滑动，参数量远小于全连接网络
2. 层级结构：浅层捕捉边缘 / 纹理，深层组合为语义特征

import cv2
import numpy as np

# SIFT 特征提取
def extract_sift(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    sift = cv2.SIFT_create()
    kp, des = sift.detectAndCompute(gray, None)
    return kp, des

# HOG 特征提取
def extract_hog(img):
    win_size = (64, 128)  # 检测窗口大小
    cell_size = (8, 8)
    block_size = (16, 16)
    nbins = 9  # 方向 bin 数量
    hog = cv2.HOGDescriptor(win_size, block_size, cell_size, cell_size, nbins)
    return hog.compute(img)

方法	mAP(%)	处理速度(fps)	内存占用(MB)
SIFT+SVM	58.2	3.2	420
HOG+SVM	62.7	15.8	180
CNN(LeNet)	65.3	8.5	320

传统方法在以下场景易失效：

尺度变化：SIFT 的金字塔采样在 >4 倍缩放时关键点匹配率下降 37%
光照变化：HOG 在亮度差异 >50% 时特征距离增加 2.1 倍
遮挡问题：超过 30% 遮挡时 SIFT 匹配正确率低于 40%

解决方案示例：

# 光照归一化处理
def normalize_lighting(img):
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
    l, a, b = cv2.split(lab)
    clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8))
    l = clahe.apply(l)
    return cv2.cvtColor(cv2.merge((l,a,b)), cv2.COLOR_LAB2BGR)

如何结合传统特征与现代深度学习？考虑以下方向：