【正文】 。直方圖有兩個(gè)層面，即距離中心點(diǎn)和強(qiáng)度值。在每一個(gè)環(huán)，梯度方向直方圖的計(jì)算，而計(jì)算的梯度方向是相對的方向向量指向外向的中心。兩個(gè)旋轉(zhuǎn)不變描述提出了 Lazebnik 等，在旋轉(zhuǎn)不變特 征變換（裂谷）和 SPINImage 描述。反對篩選梯度直方圖計(jì)算，細(xì)圓而不是粗糙的矩形網(wǎng)格，導(dǎo)致 272二維直方圖。因此，一個(gè)有效的壓縮描述維度實(shí)現(xiàn)， coevally 保持業(yè)績的速度可比原來的上海對外貿(mào)易學(xué)院描述。他們計(jì)算的一個(gè)主要成分分析（ PCA ）的梯度特征空間圖 像，代表人數(shù)超過兩萬形象補(bǔ)丁。最后，它們級(jí)聯(lián)形成一個(gè) 128 的三維描述。作為第二部分的上海對外貿(mào)易學(xué)院的做法，羅威建議使用描述的基礎(chǔ)上疊加梯度直方圖。根據(jù)不同的算法，方法或轉(zhuǎn)變，由此產(chǎn)生的性質(zhì)，可旋轉(zhuǎn)不變或至少部分敏感仿射變換。 一般而言，一個(gè)描述符 是一個(gè)抽象的表征圖像修補(bǔ)程序。每個(gè)像素，熵極值為橢圓中心在此記錄像素的橢圓參數(shù)的方向，氫，硫和規(guī)模的比例，主要以短軸光從排序名單的候選人的所有地區(qū)的 N 最突出的是選擇。 另一種算法，稱為凸區(qū)域探測器是由卡迪爾等。鑒于一個(gè)角落點(diǎn)和走邊有兩個(gè)相反的方向有更多的控制點(diǎn)，一維類平行介紹了利用角球本身和載體指著從角落的控制點(diǎn)。連接所有點(diǎn)所產(chǎn)生的射線相應(yīng)這個(gè)極值形式和IBR 技術(shù)。鑒于當(dāng)?shù)氐膹?qiáng)度極值，亮度功能沿射線產(chǎn)生的極值研究。 兩個(gè)仿射協(xié)變區(qū)域探測器提出了 Tuytelaars 和 Van Gool ，強(qiáng)度為基礎(chǔ)的區(qū)域（ IBR 技術(shù)）和優(yōu)勢為基礎(chǔ)的區(qū)域（ EBR ） 。像素陣列，比上一季度美聯(lián)儲(chǔ)進(jìn)入聯(lián)盟找到算法 和樹形數(shù)據(jù)結(jié)構(gòu)形狀維持，而節(jié)點(diǎn)包含有關(guān)像素街道，以及有關(guān)強(qiáng)度值的關(guān)系?？傊?， MSER 探測器搜尋區(qū)域是光明或黑暗的比其周圍的環(huán)境，即周圍的黑暗，反之亦然光明像素。狗探測器采取不同的高斯模糊圖像作為一個(gè)近似的規(guī)模正?；绽购褪褂卯?dāng)?shù)刈罡叩拇饛?fù)中尺度空間作為一項(xiàng)指標(biāo)的關(guān)鍵點(diǎn)。進(jìn)一步發(fā)展包括仿射方差導(dǎo)致哈里斯仿射和黑森州仿射探測器提出 Mikolajczyk ， Mikolajczyk 和施密德。的擴(kuò)展，哈里斯探測器，包括大規(guī)模的信息后來被報(bào)道 Mikolajczyk 和施密德作為哈里斯一拉普拉斯探測器和使用的是 Schaffalitzky 和 Zisserman formulti 視圖匹配無序圖片集。 第一個(gè)重要的興趣點(diǎn)檢測器，即所謂的哈里斯角探測器，有人提議在 1988年由 Harris 和斯蒂芬斯。這個(gè)屬性應(yīng)當(dāng)使該區(qū)域有別于其鄰居和探測反復(fù)。因此，許多不同的方法來近似的解決辦法的一條有效途徑已提議保持業(yè)績的總體目標(biāo)識(shí)別系統(tǒng)的管理。不幸的是，到目前為止，沒有任何演算法，都可以準(zhǔn)確近鄰點(diǎn)在高維空間，是比任何更有效的徹底搜查。確定這些書信是一項(xiàng)復(fù)雜的任務(wù)。 集體所有描述由多個(gè)對象（即包描述符）是用來建立一個(gè)數(shù)據(jù)庫。除了對光照變化不敏感，局部的觀點(diǎn)不變，申述套地方描述提供抗背景雜波和部分閉塞。找到區(qū)分地區(qū)，所謂的利益 區(qū)域探測器的使用，該區(qū)域或分找到的特殊視覺的獨(dú)特性。主要的想法基于局部特征識(shí)別物體保持對象申述收藏當(dāng)?shù)夭蓸诱f明。 當(dāng)?shù)爻霈F(xiàn)的視覺識(shí)別物體成為受歡迎的發(fā)展后，強(qiáng)大的利益區(qū)域的探測器和描述。由于大量的文獻(xiàn)資料，我們將集中于最有前途的方法利用 當(dāng)?shù)靥攸c(diǎn)，是指那些有某種算法與我們的工作。工作結(jié)束時(shí)的最后一些說明和展望未來的工作。我們密切描述設(shè)計(jì)中的所有步驟的做法，讓方說明的替代方法，我們評估我們的實(shí)驗(yàn)系統(tǒng)的一個(gè)具有挑戰(zhàn)性的對象數(shù)據(jù)庫，并討論實(shí)時(shí)和現(xiàn)實(shí)世界的問題。詳細(xì)說明方法參與建設(shè)我們的目標(biāo)識(shí)別算法是在第 3 部分。一方面，我們列出了一些參考的背景下目標(biāo)識(shí)別的計(jì)算機(jī)視覺 。因?yàn)樗@示了廣泛的評價(jià)的同時(shí)考慮，特殊性能的算法和專用的特殊的硬件優(yōu)勢，大量增加識(shí)別性能和吞吐量是可以實(shí)現(xiàn)的。安排這方面的信息的一個(gè)聰明 treelike 數(shù)據(jù)結(jié)構(gòu)基于 K means 聚類，一個(gè)所謂的詞匯樹，實(shí)時(shí)行為實(shí)現(xiàn)。我們挑選了一套高層次的算法來描述物體的一套外觀特征。以我們所知，我們是第一個(gè)廣泛的調(diào)查有關(guān)的問題識(shí)別物體在嵌入式系統(tǒng) ?？傊⒁粋€(gè)全功能的識(shí)別系統(tǒng)在嵌入式平臺(tái)原來是一個(gè)具有挑戰(zhàn)性的問題給所有不同的方面和環(huán)境限制考慮。這已經(jīng)足以讓許多服務(wù)等應(yīng)用的例子，介紹了上述互動(dòng)博物館。顯然，這只是一個(gè)例子，以及確切的含義實(shí)時(shí)取決于具體應(yīng)用。例如，在一個(gè)互動(dòng)參觀博物館，識(shí)別物體在移動(dòng)設(shè)備上，必須足夠快，以便連續(xù)性指導(dǎo)。算法必須足夠快將業(yè)務(wù)在現(xiàn)實(shí)世界中。因此，建立一個(gè)嵌入式對象識(shí)別系統(tǒng)，一個(gè)目標(biāo)是使大量的數(shù)據(jù)來表示一個(gè)單獨(dú)的對象盡可能小，以便最大限度地發(fā)揮一些識(shí)別物體。然而，在這方面的一些屬性的嵌入式平臺(tái)的嚴(yán)格限制的可行性目前的狀態(tài)，最先進(jìn)的方法。隨著數(shù)字信號(hào)處理器提供了最大的靈活性，軟件運(yùn)行，相對于其他嵌入式單位像臺(tái)塑作為，專用集成電路或芯片，其目前的成功并不奇怪。不僅在該領(lǐng)域的監(jiān)視，而且在家庭領(lǐng)域的機(jī)器人，娛樂，軍事和工業(yè)機(jī)器人技術(shù)，嵌入式計(jì)算機(jī)視覺平臺(tái)越來越受歡迎，這應(yīng)歸功于其對環(huán)境的魯棒性逆境。他們必須體積小，并處理大量的現(xiàn)有數(shù)據(jù)的網(wǎng)站。顯然，這會(huì)引起新的應(yīng)用程序，如導(dǎo)航工具，視障人士，或協(xié)作公眾監(jiān)督使用數(shù)以百萬計(jì)的人造眼睛。然而，嵌入式視覺系統(tǒng)已經(jīng)在我們的日常生活中。目前的系統(tǒng)已經(jīng)有很多這些屬性，雖然不是所有的問題已經(jīng)解決，但如今他們變得越來越有吸引力的行業(yè)列入產(chǎn)品的客戶市場 。在過去十年中，大量科學(xué)工作者做出努力，建立強(qiáng)有力的目標(biāo)識(shí)別系統(tǒng)的外觀特征與局部特征的程度。我們所研究的，國家最先進(jìn)的目標(biāo)識(shí)別算法，可以成功地部署在當(dāng)今智能相機(jī)，即使計(jì)算和內(nèi)存資源有嚴(yán)格的限制。我們執(zhí)行一些功能強(qiáng)大的算法識(shí)別物體，即有興趣點(diǎn)探測連同區(qū)域描述，并建立一個(gè)中型對象數(shù)據(jù)庫為基礎(chǔ)的詞匯樹，這是適合我們的專用硬件設(shè)置。這只是局部識(shí)別功能的嵌入式平臺(tái)的基本功能。智能相機(jī)有足夠的權(quán)力分散的圖像處理變得越來越流行的各種任務(wù)，特別是在外地的監(jiān)視。 on the other hand, we cite a number of publications from the area of embedded smart sensors. A detailed description of the methods involved in building our object recognition algorithm is given in part 3. In Sect. 4 we outline our framework and give details about training and implementation of our system. We closely describe all steps in designing our approach and give side notes on alternative methods. In Sect. 5, we experimentally evaluate our system on a challenging object database and discuss real time and realworld issues. Furthermore, we investigate some special features of our approach and elucidate the dependencies of several parameters on the overall system performance. The work concludes with some final notes and an outlook on future work in Sect. 6. 2. Related Work In the following we will give a short introduction to the topic of local feature based object recognition. Due to the huge amount of literature available, we will focus on the most promising approaches using local features, and refer to those algorithms which are somehow related to our work. We will also give a short overview about object recognition in the context of embedded systems, which, due to the sparseness of existing approaches, contain both global and local methods, as well as algorithms implement on FPGA and DSPbased platforms. Localappearance based visual object recognition became popular after the development of powerful interest region detectors and descriptors. Early fullfeatured object recognition systems dealing with all the individual algorithmic steps and their related problems were proposed by Schmid and Mohr, and Schiele and Crowley . The main idea behind local feature based object recognition is maintaining object representations from collections of locally sampled descriptions. In other words, the appearance of local parts of a single object