GLOH (Gradient Location and Orientation Histogram, Гистограмма расположения и ориентации градиента) — это надёжный , применяемый в задачах компьютерного зрения. Он схож с SIFT, но при построении гистограмм учитывает больше пространственных областей. Промежуточный вектор формируется из 17 пространственных и 16 ориентационных областей, что даёт в общей сложности 272 измерения. Затем для уменьшения размера вектора до 128 (как у SIFT) используется метод главных компонент.
Эксперименты Миколайчика и Шмида доказали преимущества GLOH — дескриптор демонстрирует более высокий процент успешных совпадений, а по сравнению с дескрипторами PCA-SIFT и стандартными SIFT, GLOH показывает лучшие результаты при выделении краёв. GLOH также лучше работает с гладкими и размытыми изображениями, а также меньше зависит от получения ультразвуковых изображений. Дескрипторы GLOH используют логарифмическую полярную иерархию вместо традиционного дескриптора с 4 квадрантами, предложенного Лоу и др..
Обобщения Абдуомунен, Лей и Сан предложили 3D GLOH для распознавания действий человека, который описывает локальную пространственную информацию о видеоданных. Он обнаруживает точки интереса в видео, а затем описывает их в . Алгоритм сначала выявляет точки интереса, используя 2D SIFT и для каждой выявленной точки интереса рассматривается пространственно-временной цилиндр с диаметром 31 пиксел в пространственной области и высотой 8 пикселов во временно́й области.
Они пишут в своей статье: «Данный дескриптор является расширением 2D GLOH и мы продемонстрируем, что он лучше улавливает характеристики локальной видеоинформации по сравнению с существующими признаками. Кроме того, мы предлагаем систему распознавания действий, которая использует 3D GLOH для извлечения локальных признаков, наряду с гистограммами ориентированного оптического потока (HOOF) для извлечения глобальных признаков. … Новый дескриптор превосходит современные дескрипторы для сложных реальных видео с неконтролируемой сложной средой, таких как датасеты UCF-Sports и TV-Human Interaction.»
См. также Преобразование признаков, инвариантное к масштабу Устойчивые Ускоренные Признаки (, SURF) (, LESH) Выделение признаков (компьютерное зрение)
Примечания
Категория:Выделение признаков (компьютерное зрение)