特征描述子集锦--持续更新

SIFT

参考链接1
参考链接2，更详细
Sift提取图像的局部特征，在尺度空间寻找极值点，并提取出其位置、尺度、方向信息。

Sift特征的特点：

1. 对旋转、尺度缩放、亮度变化保持不变性，对视角变化、噪声等也存在一定程度的稳定性；
2. 独特性，信息量丰富，适用于在海量特征数据中进行快速，准确的匹配；
3. 多量性，即使少数几个物体也可以产生大量的Sfit特征向量；
4. 可扩展性，可以很方便的与其他形式的特征向量进行联合；

Sfit特征提取和匹配具体步骤：

1. 生成高斯差分金字塔（ DOG金字塔），尺度空间构建
2. 空间极值点检测（关键点的初步查探）：图像空间和尺度空间局部极值点
3. 稳定关键点的精确定位
4. 稳定关键点方向信息分配：领域点梯度方向直方图取峰值作为主方向，80%峰值作为辅方向（增强匹配鲁棒性）
5. 关键点描述
6. 特征点匹配
   
   对每个关键点，采用448共128维向量的描述子进项关键点表征，综合效果最佳。

FAST

FAST算子比其它角点检测算法都快，但是当图像中的噪点较多时，它的健壮性并不好，而且算法的效果还依赖于阈值。并且FAST算子不产生多尺度特征而且FAST角点没有方向信息，这样就会失去旋转不变性。
fast的经典论文：“Machine Learning for High-speed Corner Detector”，ECCV2006。
参考链接1
参考链接2

1. 在图像中选取一个像素点，来判断它是否为关键点。表示像素点的灰度值。
2. 选择适当的阈值。
3. 在像素点的周围选择16个像素点进行测试。
4. 如果在这16个像素点中存在个连续像素点的灰度值都高于，或者低于，那么像素点被认为是一个角点。如上图中的虚线所示，选取的值为12。
5. 一种更加快的改进是首先检测像素点周围的四个点（1，5，9，13）中是否有三个点满足阈值要求。如果不满足，则直接跳过，如果满足，则继续使用前面的算法，全部判断16个点中是否有12个满足条件。
   
   fast方向：对图像块来说，零阶矩和一阶矩可确定中心，二阶矩可确定方向。

SURF

参考链接：内置很多论文及资料链接

SURF角点检测算法是对SIFT的一种改进，主要体现在速度上，效率更高。它和SIFT的主要区别是图像多尺度空间的构建方法不同。

在计算视觉领域，尺度空间被象征性的表述为一个图像金字塔，向下降采样一般用高斯金字塔。其中，输入图像函数反复与高斯函数的核卷积并反复对其进行二次抽样，这种方法主要用于SIFT算法的实现，但每层图像依赖于原图像，并且图像需要重设尺寸，因此，这种计算方法运算量较大。

SURF算法对积分图像进行操作，卷积只和前一幅图像有关，其降采样的方法是申请增加图像核的尺寸，这也是SIFT算法与SURF算法在使用金字塔原理方面的不同。SURF算法允许尺度空间多层图像同时被处理，不需对图像进行二次抽样，从而提高算法性能。

ORB（Oriented FAST and Rotated BRIEF）

参考链接
ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来的基础上做了改进与优化。据说ORB算法的速度是sift的100倍，是surf的10倍。

BRIEF算法计算出来的是一个二进制串的特征描述符。它是在一个特征点的邻域内，选择n对像素点pi、qi（i=1,2,…,n）。然后比较每个点对的灰度值的大小。如果I(pi)> I(qi)，则生成二进制串中的1，否则为0。所有的点对都进行比较，则生成长度为n的二进制串。一般n取128、256或512（opencv默认为256）。描述子特有的2进制串的表现形式不仅节约了存储空间，而且大大缩短了匹配的时间。
将二进制串进行异或操作可比较描述符的相似性。

LBP，LBPH(Local Binary PatternsHistograms)

LBP参考链接
LBPH参考链接

局部二进制编码直方图，建立在LBPH基础之上的人脸识别法基本思想如下：首先以每个像素为中心，判断与周围像素灰度值大小关系，对其进行二进制编码，从而获得整幅图像的LBP编码图像；再将LBP图像分为grayx*grayy个区域，获取每个区域的LBP编码直方图，继而得到整幅图像的LBP编码直方图，通过比较不同人脸图像LBP编码直方图达到人脸识别的目的,其优点是不会受到光照、缩放、旋转和平移的影响。

Sobel

参考链接
Sobel算子是一种常用的边缘检测算子，是一阶的梯度算法，结合了高斯平滑与微分运算，抗噪声能力很强。在图像的任何一点使用此算子，将会产生对应的灰度矢量或是其法矢量。
用户可以设定求导方向，水平或者垂直（通过参数yorder和xorder）。也可以指定卷积核大小，通过参数ksize。如果ksize=-1，那么一个3*3的scharr滤波器会被使用，该滤波器会得到比Sobel滤波器更好的效果。
卷积因子：

HOG

参考链接
HOG方法是基于对稠密网格中归一化的局部方向梯度直方图的计算，基于边缘，对几何和光学变化都有很好的不变性。计算得到的HOG特征向量中隐含了该块与检测窗口之间的空间位置关系。
HOG有个优点，提取的边缘和梯度特征能很好的抓住局部形状的特点，且因是对图像做了Gamma校正和采用cell方式进行梯度方向量化，在局部进行提取，所以对几何和光学变化都有很好的不变性，变换或旋转对于足够小的区域影响很小。对于行人检测，在粗糙空域采样(coarse spatial sampling)、精细方向采样(fine orientation sampling)和强局部灰度归一化(strong local photometric normalization)这些条件下，只要行人大体上能够保持直立的姿势，就容许有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。