第14章 计算机视觉与传统机器学习
在深度学习爆发之前，计算机视觉（Computer Vision, CV）领域的主要研究方向，是如何让机器从图像中“提取可用于机器学习的特征”，并用这些特征配合传统算法（如 SVM、KNN、Random Forest 等）完成分类、检测、识别等任务。
本章系统介绍传统机器学习在计算机视觉中的关键方法、特征工程技巧与经典应用案例。
14.1 图像特征（SIFT、HOG、LBP）
📷 1️⃣ 图像特征的概念
图像的像素本身只是数值（亮度、颜色），并不能直接代表“语义”。 图像特征提取的目标是：
将原始像素数据转化为对机器学习算法有意义的数值向量表示。
特征要尽可能：
- 稳定（对光照、旋转、尺度变化不敏感）
- 判别性强（不同类别的图像差异大）
- 可压缩（维度较低，便于计算）
🔹 2️⃣ SIFT（Scale-Invariant Feature Transform）
发明人：David Lowe（1999） 目标：找到图像中不随尺度、旋转、亮度变化而改变的关键点。
核心思想：
- 构建高斯金字塔（多尺度图像）；
- 在不同尺度的图像中寻找局部极值点；
- 计算关键点周围梯度方向分布；
- 用 128 维向量描述关键点（描述符）；
- 在图像匹配、拼接、目标识别中广泛应用。
优点：鲁棒性强、匹配效果好。 缺点：计算开销大，速度慢。
🔹 3️⃣ HOG（Histogram of Oriented Gradients）
发明人：Dalal & Triggs（2005） 经典用途：行人检测（Pedestrian Detection）
基本思路：
- 将图像分为小块（Cell）；
- 统计每个 Cell 的梯度方向直方图；
- 对多个 Cell 归一化，形成 Block；
- 拼接成整体特征向量。
优点：对光照、阴影变化不敏感，计算效率高。 缺点：不具备旋转、尺度不变性。
🔹 4️⃣ LBP（Local Binary Pattern）
核心思想： 比较中心像素与周围像素亮度，大于中心像素记为 1，小于记为 0，形成二进制模式。
LBP 特征用途：
- 人脸识别（经典）
- 纹理分类
- 场景识别
特点：
- 简单快速；
- 对光照变化鲁棒；
- 但对旋转和噪声敏感。
🔹 5️⃣ 其他传统特征
| 特征 | 说明 |
|---|---|
| SURF | SIFT 的加速版，使用积分图和近似滤波器 |
| Gabor | 模仿视觉皮层神经元响应的滤波器 |
| Color Histogram | 颜色分布特征 |
| Edge/Corner Features | 如 Harris、FAST、Canny 边缘检测等 |
14.2 图像分类与目标检测
🧩 图像分类的传统流程
在深度学习之前，图像分类几乎都遵循以下流程：
- 图像预处理：灰度化、归一化、去噪；
- 特征提取：如 SIFT、HOG；
- 特征编码：Bag of Visual Words（BoVW）、Fisher Vector；
- 分类器训练：SVM、KNN、Random Forest；
- 评估预测。
📌 BoVW 模型（经典）
- 借鉴 NLP 的「词袋模型」；
- 将局部特征（如 SIFT）聚类成“视觉词汇表”；
- 图像用这些词频统计表示；
- 最后用 SVM 分类。
🎯 目标检测的传统方法
目标检测需要找出“图像中目标的位置 + 类别”。
深度学习前的主流方法：
- Sliding Window + Classifier 在图像上滑动窗口，对每个区域提取 HOG 特征，使用 SVM 分类；
- DPM（Deformable Part Model） 模拟物体由多个部分组成的结构（Felzenszwalb, 2008）；
- Selective Search + SVM 在深度学习出现之前，R-CNN 就是基于这种候选区域思想发展的。
这些方法计算量大，但为后来的 CNN 检测算法（如 Faster R-CNN）奠定了基础。
14.3 人脸识别中的机器学习
人脸识别是计算机视觉最早的成功领域之一。
📷 经典流程：
-
人脸检测
- Viola-Jones 算法（2001）：基于 Haar 特征 + AdaBoost 分类器
- 经典、实时、高效，被广泛用于早期相机“人脸框检测”
-
人脸特征提取
- PCA（Eigenfaces）
- LDA（Fisherfaces）
- LBP（纹理特征）
-
分类与识别
- KNN 或 SVM 分类
- 最近邻匹配 + 阈值判断
📘 在深度学习出现前，人脸识别主要依靠统计学习（PCA/LDA）与纹理特征。 而 2014 年之后（DeepFace, FaceNet），深度学习彻底取代了这些传统方法。
14.4 视觉特征与深度学习的衔接
传统视觉算法与深度学习之间并非割裂，而是连续演化：
| 阶段 | 特征提取方式 | 分类器 | 典型方法 | 特点 |
|---|---|---|---|---|
| 早期（1990s） | 手工特征（SIFT, HOG） | SVM / KNN | BoVW, DPM | 特征依赖人工经验 |
| 过渡期（2010s） | 特征学习（Autoencoder, Sparse Coding） | SVM / Softmax | Deep Feature + SVM | 尝试自动学习特征 |
| 深度学习时代（2012-） | 端到端 CNN | Softmax / Transformer Head | AlexNet, ResNet, ViT | 特征自动学习、性能爆发 |
💡 深度学习的本质突破：
- 不再手工提取特征，而是通过反向传播自动学习“最佳特征”；
- 从“人工设计特征” → “数据驱动学习特征”的范式转变。
✅ 小结
| 模块 | 关键思想 | 代表算法 |
|---|---|---|
| 图像特征提取 | 提取可判别的局部/全局特征 | SIFT, HOG, LBP |
| 图像分类 | 特征 + 分类器（SVM/KNN） | BoVW, HOG+SVM |
| 目标检测 | 滑窗 + 分类器 | DPM, Viola-Jones |
| 人脸识别 | 特征降维 + 分类 | PCA, LDA, LBP |
| 深度衔接 | 从人工特征 → 自动学习特征 | CNN, ViT |
