特徵是什麼？
常見的特徵有：邊緣、角，區域；
圖像特徵的操作步驟
目前圖像特徵的提取主要有兩種方法：傳統圖像特徵提取方法 和 深度學習方法。
- 傳統的特徵提取方法：基於圖像本身的特徵進行提取；
- 深度學習方法：基於樣本自動訓練出區分圖像的特徵分類器；
傳統的圖像特徵提取一般分爲三個步驟：預處理、特徵提取、特徵處理；然後在利用機器學習等方法對特徵進行分類等操作；
- 預處理：預處理的目的主要是排除干擾因素，突出特徵信息；主要的方法有：
- 圖片標準化：調整圖片尺寸；
- 圖片歸一化：調整圖片重心爲0；
- 特徵提取：利用特殊的特徵提取子對圖像進行特徵提取，主要有：Harris、SIFT、SURF、LBF、HOG、DPM：
- 特徵處理：主要目的是爲了排除信息量小的特徵，減少計算量等：常見的特徵處理方法是降維，常見的降維方法有：
- 主成分分析；
- 奇異值分解；
- 線性判別分析；
常見的特徵提取方法：
Harris
Harris 具有以下特點：
- Harris 是一種角點特徵描述子；
- 角點對應於物體的拐角：例如：道路的十字路口等；
- Harris 是一個非常熱門的特徵檢測算法；
- Good Feature To Tracker Dectector;
SIFT：尺度不變特徵變換（Scale-invarialt feature transform）
- 該方法由 David Lowe 發表在ICCV；
- 該算法具有對旋轉、尺度縮放、亮度變化保持不變性；
- 對視角變化、仿射變換、噪聲也保持一定程度的穩定性；
- SIFT 唯一的缺點就是實時性不足；
- SURF（Speeded Up Robust Features）以更高效的方式改進了特徵提取和描述的方式；
HOG：(Histogram of Oriented Gradient) 方向梯度直方圖
- 效果很好，應用也廣；
- 基於統計的特徵提取算法：通過統計不同梯度方向的像素而獲取圖像的特徵向量；
LBP：(Local Binary Pattern，局部二值模式)
- 一種紋理特徵描述算子；
- 具有旋轉和灰度不變性等顯著的優點；
DPM：(Discriminatively Trained Part Based Models)
- 想法很好，效果不錯；
- 提出了很多對後續目標識別和深度學習影響深遠的思想；
其他常用的特徵檢測算法
- FAST： Fast Feature Detector;
- STAR： Star Feature Detector;
- ORB： ORB;
- MSER： MSER
- GFTT： Good Feature To Tracker Detector;
- Dense： Dense Feature Detector;
- SimpleBlob： Simple Blob Detector;