携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第24天，点击查看活动详情
在上一篇文章中，我们介绍了常见的图像处理的概念。
今天，我们来介绍特征工程，并从特征工程的角度理解计算机视觉的常见的问题。
-
特征工程
-
特征工程就是一个把原始数据转变成特征的过程，这些特征可以很好的描述这些数据，并利用它们建立的模型在未知数据上的表现型能可以达到最优（或者接近最佳性能）。从数学的角度来看，特征工程就是人工地去设计输入变量X。
-
特征提取就是人为的设计直方图特征，梯度特征，关键点等等的特征描述图，我们利用这些特征完成对原始图像的特征描述。
-
特征选择就是通过特征提取拿到的特征，往往维度会比较高，而且在这些特征中，会包含很多噪声信息，特征选择就是对噪声信息进行剔除和过滤，保留有用的信息，利用这些有用的信息完成后续的逻辑推理和图像任务的建模。特征选择可以完成对图像的降维。
-
建模
-
从特征工程的角度理解计算机视觉的常见的问题
-
分类： 通过神经式网络计算概率分布的过程，实际上就是对原始图像进行特征提取的过程，经过特征提取之后希望提取出来的特征能够有效的表示当前这副图像在不同类别的分布。
-
检测： 对图像中的某些局部区域是否属于想要检测的目标来进行判断，如果是想要的目标，当前的坐标偏移是多少，本质也是分类问题
-
分割： 对图像中的每一个像素所属的类别进行判断，或者说是想要定位的目标的轮廓的像素点来进行定位，
-
匹配： 计算相似性，输入一幅图片，利用卷积神经网络转换为向量，用这个向量去描述当前的一幅图片，去看它们的相似度，相似度越高，欧氏距离越小
-
跟踪： 分成单目标跟踪，和多目标跟踪，对于单目标跟踪，我们需要考虑当前要跟踪目标的和邻域区域中的相似性；对于多目标跟踪，我们需要判断想要跟踪的在当前帧和下一帧之间的相似性来进行匹配
-
