方图，生成具有独特性的向量，这个向量是该区域图像信息的一种抽象，具有唯一性。
⑤ 关键点描述子的生成
首先将坐标轴旋转为关键点的方向，以确保旋转不变性。以关键点为中心取8×8的窗口。
Figure.16*16的图中其中1/4特征点梯度方向及幅值，右图为其加权到8个主方向后的效果。
图左部分的中央为当前关键点的位置，每个小格代表关键点邻域所在尺度空间的一个像素，利用公式求得每个像素的梯度幅值与梯度方向，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，然后用高斯窗口对其进行加权运算。图中蓝色的圈代表高斯加权的范围（越靠近关键点的像素梯度方向信息贡献越大）。然后在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点，如图右部分示。此图中一个关键点由2×2共4个种子点组成，每个种子点有8个方向向量信息。这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。
计算关键点周围的16*16的窗口中每一个像素的梯度，而且使用高斯下降函数降低远离中心的权重。
11
在每个4*4的1/16象限中，通过加权梯度值加到直方图8个方向区间中的一个，计算出一个梯度方向直方图。这样就可以对每个feature形成一个4*4*8=128维的描述子，将这个向量归一化之后，就进一步去除了光照的影响。
3、 颜色特征
颜色特征是在图像检索中应用最为广泛的视觉特征，主要原因在于颜色往往和图像中所包含的物体或场景十分相关。此外，与其他的视觉特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较小，从而具有较高的鲁棒性。颜色特征最常用的表示方法就是颜色直方图，表示为：q?{qu}u?1,2,...,m，qu?C??[b(x)?u]，?是Kronecker
ii?1n函数，b(xi)表示像素xi所属的颜色区间。
计算颜色直方图需要将颜色空间划分成若干个小的颜色区间，每个小区间成为直方图的一个bin。这个过程称为颜色量化（color quantization）。然后，通过计算颜色落在每个小区间内的像素数量可以得到颜色直方图。而且在不同的情况下可以选择不同的颜色空间计算直方图，提高颜色特征的鲁棒性。在实际工程中，由于采集到的数据通常是YCbCr格式，而且亮度分量与颜色分量是分开的，所以，在后续的处理中应用YCbCr模型比较多。 四、 目标识别
目标识别是指一个特殊目标（或一种类型的目标）从其它目标（或其它类型的目标）中被区分出来的过程。它既包括两个非常相似目标的识别，也包括一种类型的目标同其他类型目标的识别。在机器视觉中，目标识别的过程一般都是根
12
据提取出的目标特征，通过训练好的分类器来得到目标所属的类别，从而达到识别的目的。前面已经介绍了几种常用的特征提取方法，当然还有其他的很多特征，比如Haar特征、Harris角点特征、简单的形态学特征等等。在分类器方面，使用比较多的有SVM、AdaBoost、随机森林等。
1、 SVM分类器
支持向量机（SVM）是一个由分类超平面定义的判别分类器。也就是说给定一组带标签的训练样本，算法将会输出一个最优超平面对新样本(测试样本)进行分类。一个线性判别函数是指由x的各个分量的线性组合而成的函数，
g(x)??Tx??0，?是超平面的法向量。对于两类问题的决策规则为：如果
g(x)?0，则判定x属于C1；如果g(x)?0，则判定x属于C2；如果g(x)?0，
则可以将x任意分到某一类或者拒绝判定。设xp是在判别面g(x)?0外的一点，可知，该点到判别面的距离为：
d??Txp??0?， 所以，g(xp)?r?, r=?d。判别函数g(x)正比于点x到超平面的代数距离(带正
g(x)?0；g(x)?0。 负号)。当点x在超平面的正侧时，当点x在超平面的负侧时，
对g(x)进行归一化，使所有样本都满足g(x)?1，即离判别面最近的样本满足g(x)?1，所以，分类间隔为2?。因此，要求分类间隔最大就是要求?i?0,1,...,n。最小，而要求分类面对所有样本正确分类，就要求yi(?Txi??0)?1?0，
求最优分类面问题可以转化为如下的约束优化问题： 12min?, yi(?Txi?b)?1?0, i?0,1,...,n， 2应用拉格朗日乘子法得到最优分类函数为： f(x)?sgn(??iyi(xiTx)??0)。 i一般来说，任意高次判别函数g(x)，都可以通过适当的变换，转化为线性判别函数处理，x?A(y)，所以最优分类函数变为：
f(x)?sgn(??iyiK(xi,x)??0)，
i13
K(?)为核函数，上式就是支持向量机。
2、 AdaBoost分类器
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。这里阐述下算法的具体过程：
1) 给定一个训练数据集T?{(x1,y1),(x2,y2),...,(xn,yn)}，yi属于标记集合{?1,1}。初始化训练数据的权值分布。每一个训练样本最开始时都被赋予相同的权重：
?1(i)?1。 N2) 进行多轮迭代，用m?1,2,...,M表示迭代次数。使用具有权值分布?m的训练数据集学习，得到基本分类器Gm(x)。 3) 计算Gm(x)在训练数据集上的分类误差率。
em???m(i)I(Gm(xi?yi))，
i?1NGm(x)在训练数据集上的误差率em就是被Gm(x)误分类样本的权值之和。 4) 计算Gm(x)的系数，?m表示Gm(x)在最终分类器中的重要程度。
?m?log121?em。 em5) 更新训练数据集的权值分布，用于下一轮迭代。
?m?1(i)??m(i)Zmexp(??myiGm(xi))， Zm是规范化因子。 6) 组合各个弱分类器。
得到最终分类器，
f(x)???mGm(x)，
m?1MG(x)?sgn(??mGm(x))。
m?1M14
3、 随机森林
随机森林指的是利用多棵树对样本进行训练并预测的一种分类器。简单来说，随机森林就是由多棵CART（Classification And Regression Tree）构成的。对于每棵树，它们使用的训练集是从总的训练集中有放回采样出来的，这意味着，总的训练集中的有些样本可能多次出现在一棵树的训练集中，也可能从未出现在一棵树的训练集中。在训练每棵树的节点时，使用的特征是从所有特征中按照一定比例随机地无放回的抽取的，根据Leo Breiman的建议，假设总的特征数量为M，这个比例可以是M，1M，2M。随机森林的训练过程可以总结如下： 2(1) 给定训练集S，测试集T，特征维数F。确定参数：使用到的CART的数量
t，每棵树的深度d，每个节点使用到的特征数量f。终止条件：节点上最少样本数s，节点上最少的信息增益m对于第1?t棵树，i?1?t。
(2) 从S中有放回的抽取大小和S一样的训练集S(i)，作为根节点的样本，从根节点开始训练。
(3) 如果当前节点上达到终止条件，则设置当前节点为叶子节点，如果是分类问题，该叶子节点的预测输出为当前节点样本集合中数量最多的那一类c(j)，概率
p为c(j)占当前样本集的比例；如果是回归问题，预测输出为当前节点样本集各
个样本值的平均值。然后继续训练其他节点。如果当前节点没有达到终止条件，则从F维特征中无放回的随机选取f维特征。利用这f维特征，寻找分类效果最好的一维特征k及其阈值th，当前节点上样本第k维特征小于th的样本被划分到左节点，其余的被划分到右节点。继续训练其他节点。
(4) 重复(2)(3)直到所有节点都训练过了或者被标记为叶子节点。 (5) 重复(2)，(3)，(4)直到所有CART都被训练过。 利用随机森林的预测过程如下： 对于第1?t棵树，i?1?t：
(1)从当前树的根节点开始，根据当前节点的阈值th，判断是进入左节点(?th)还是进入右节点(?th)，直到到达，某个叶子节点，并输出预测值。
(2)重复执行(1)直到所有t棵树都输出了预测值。如果是分类问题，则输出为所有
15