简介
- 传统计算机视觉算法
传统计算机视觉算法是什么
传统计算机视觉算法主要依赖于 图像处理、特征提取和机器学习 方法，常用于目标检测、分类、分割和跟踪等任务。以下是几类主要的传统计算机视觉算法：
1. 图像处理
这些方法主要用于图像的预处理，如去噪、边缘检测等。
- Sobel、Prewitt、Canny（边缘检测）：用于提取图像的边缘信息。
- 高斯滤波（Gaussian Blur）：用于降噪和平滑图像。
- 形态学操作（腐蚀、膨胀、开运算、闭运算）：常用于二值图像处理，如文本识别或去除噪声。
2. 特征提取
在深度学习之前，传统计算机视觉方法主要依赖手工设计的特征：
- SIFT（Scale-Invariant Feature Transform）：尺度不变特征变换，可用于特征匹配。
- SURF（Speeded-Up Robust Features）：SIFT的加速版本，计算更快。
- ORB（Oriented FAST and Rotated BRIEF）：结合FAST关键点检测和BRIEF描述符，适用于实时应用。
- HOG（Histogram of Oriented Gradients）：广泛用于行人检测，分析图像梯度方向直方图信息。
- LBP（Local Binary Pattern）：用于纹理分析的局部二值模式方法。
3. 目标检测
传统目标检测算法通常基于滑动窗口和特征提取：
- Viola-Jones（Haar级联分类器）：早期用于人脸检测的算法，基于Haar特征和AdaBoost分类器。
- HOG + SVM：用于行人检测的经典方法，HOG提取特征后用支持向量机（SVM）分类。
- DPM（Deformable Part Model）：基于HOG的分层模型，能检测具有变形的目标（如人体）。
4. 目标跟踪
目标跟踪需要在视频帧间保持目标一致性：
- KCF（Kernelized Correlation Filters）：基于相关滤波器的高效跟踪算法。
- Mean-Shift、CamShift：基于颜色直方图的目标跟踪方法。
- Optical Flow（光流法）：计算图像中像素的运动，如Lucas-Kanade光流法。
5. 图像分割
- Otsu阈值分割：用于二值化图像，适用于简单背景。
- Watershed（分水岭算法）：基于梯度的图像分割方法，常用于医学图像处理。
- GrabCut：基于图割（Graph Cut）的交互式图像分割方法。
6. 机器学习与传统计算机视觉结合
传统计算机视觉也常结合机器学习进行分类：
- KNN（K-Nearest Neighbors）
- SVM（支持向量机）
- Random Forest（随机森林）
- Adaboost（自适应提升）
这些方法通常结合手工特征（如HOG、SIFT）进行分类任务。
7. 三维视觉
- 立体匹配（Stereo Vision）：通过双目相机计算深度信息，如SGBM（Semi-Global Block Matching）。
- Structure from Motion（SfM）：通过多张2D图像恢复3D结构。
- SLAM（Simultaneous Localization and Mapping）：用于机器人和无人机导航，如ORB-SLAM。
传统计算机视觉 vs. 深度学习
- 传统方法 依赖手工特征，计算复杂但可解释性强，适用于规则性强的任务。
- 深度学习方法（CNN、YOLO、Transformer等） 通过数据驱动自动学习特征，在大规模数据上表现更优。
尽管深度学习已经主导计算机视觉领域，但传统方法仍然在一些特定任务（低计算资源环境、规则性强的任务）中发挥重要作用。
