图像特征提取：HOG LBP Harr

目录：- LBP算法

           - HOG特征

           - Harr特征

---

LBP特征 -- Local Binary Pattern 局部二值模式

# 作用：提取图像局部文理特征

# 原理：像素与周围像素之间的差异信息

# 实现：最初的LBP是定义在像素3x3邻域内的，以邻域中心像素为阈值，
              将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，
              则该像素点的位置被标记为1，否则为0。这样，3x3邻域内的8个点经比较可产生8位二进制数
           （通常转换为十进制数即LBP码，共256种），即得到该邻域中心像素点的LBP值，
             并用这个值来反映该区域的纹理信息。

# 应用[人脸识别]：人脸识别中LBP特征向量主要是用于直方图的比较，
                              通过距离度量的方式(例如方差)找到训练数据中与输入图像距离最小的特征向量，
                              将其对应的类别作为识别结果输出。

---

HOG特征 -- Histogram of Oriented Gradient 方向梯度直方图

# 作用：提取边缘信息

# 原理：图像形状在梯度信息上的特征体现

# 实现：首先将图像分成小的连通区域，后续将这些连通区域称为细胞单元。
              然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。
              最后把这些直方图组合起来就可以构成特征描述器。

---

Harr特征

# 作用：Harr特征值反应图像灰度变化情况

# 原理：Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。
              特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。

# 实现：利用积分图完成特征值的快速计算

# 特点：具有实时性