嵌入式系统中的目标识别技术

目标检测和识别是计算机视觉系统的一个必不可少的组成部分。在计算机视觉中，首先是将场景分解成计算机可以看到和分析的组件。

计算机视觉的第一步是特征提取，即检测图像中的关键点并获取有关这些关键点的有意义信息。特征提取过程本身包含四个基本阶段：图像准备、关键点检测、描述符生成和分类。实际上，这个过程会检查每个像素，以查看是否有特征存在于该像素中。

特征提取算法将图像描述为指向图像中的关键元素的一组特征向量。本文将回顾一系列的特征检测算法，在这个过程中，看看一般目标识别和具体特征识别在这些年经历了怎样的发展。

早期特征检测器

Scale Invariant Feature Transform (SIFT)以及 Good Features To Track (GFTT) 是特征提取技术的早期实现。但这些属于计算密集型算法，涉及到大量的浮点运算，所以它们不适合实时嵌入式平台。

以SIFT为例，这种高精度的算法，在许多情况下都能产生不错的结果。它会查找具有子像素精度的特征，但只保留类似于角落的特征。而且，尽管 SIFT 非常准确，但要实时实现也很复杂，并且通常使用较低的输入图像分辨率。

SIFT是一种计算密集型算法

因此，SIFT 在目前并不常用，它主要是用作一个参考基准来衡量新算法的质量。因为需要降低计算复杂度，所以最终导致要开发一套更容易实现的新型特征提取算法。

二代算法

Speeded Up Robust Features (SURF) 是最早考虑实现效率的特征检测器之一。它使用不同矩形尺寸中的一系列加法和减法取代了 SIFT 中浩繁的运算。而且，这些运算容易矢量化，需要的内存较少。

接下来，Histograms of Oriented Gradients (HOG) 这种在汽车行业中常用的热门行人检测算法可以变动，采用不同的尺度来检测不同大小的对象，并使用块之间的重叠量来提高检测质量，而不增加计算量。它可以利用并行存储器访问，而不像传统存储系统那样每次只处理一个查找表，因此根据内存的并行程度加快了查找速度。