跟蹤演算法的特徵選取

映像特徵最重要的屬性是獨特性，能夠咋特徵空間內方便區分目標。

可用於跟蹤的特徵有顏色、邊緣、光流和紋理，或者是其中幾種的組合。

 顏色-最常用的色彩空間是RGB，但它不是均勻分布的；均勻分布的色彩空間是HSV。根據應用選擇合適的色彩空間。

 邊緣-邊緣通常伴隨著劇烈的intensity變化。對比於顏色特徵，邊緣特徵對光照變化不敏感。最流行的邊緣檢測演算法是Canny運算元。

 光流-光流特徵是定義地區內每個像素變化的稠密位移向量域。通過計算地區內的光照對比變化得到。通常應用在基於運動的分割和跟蹤上。

 紋理-紋理是檢測物體表面intensity變化的手段，是對光滑程度和規則程度的量化。相對於顏色，它多了一個計算描述符的步驟，對於光照不敏感。GLCM，LAW，Wavelet等是常用的紋理描述符。

    大多數情況像特徵的選擇根據應用場合來決定。近來自適應的特徵選取也越來越受到重視。自適應的方式可分為filter和wrapper兩種形式。前者基於通用的選擇標準選擇採用的特徵；後者基於特徵在特定場合的適用程度選擇。

    其中Adaboost是個流行的wrapper形式特徵選取演算法。它基於普通分類器的組合尋找最優分類器。

在所有映像特徵中，顏色是適用最廣泛的，但不夠穩定，因為其對光照變化敏感。因此很多情況下用到其它特徵來建模目標外觀，或使用特徵的組合來改進跟蹤演算法效率。

本文來自CSDN部落格，轉載請標明出處：http://blog.csdn.net/lynphoenix/archive/2011/02/08/6174386.aspx