知乎上看到一個(gè)話題——
目前火熱的 Deep Learning 會(huì)滅絕傳統(tǒng)的 SIFT / SURF 特征提取方法嗎？

由于之前研究過SIFT和HOG這兩種傳統(tǒng)的特征提取方法，故本篇文章先對SIFT和HOG作一綜述，并比較二者優(yōu)缺點(diǎn)。之后，將SIFT和HOG同神經(jīng)網(wǎng)絡(luò)特征提取做一對比，淺談對上述問題的看法。如果能寫得快一些，再簡單介紹其他幾種傳統(tǒng)的特征提取的方法——SURF、ORB、LBP、HAAR等等。

目錄

[1] SIFT（尺度不變特征變換）
[2] HOG（方向梯度直方圖）
[3] SIFT和HOG的比較
[4] SIFT/HOG與神經(jīng)網(wǎng)絡(luò)特征提取的比較
[5] 其他傳統(tǒng)特征提取的方法（SURF、ORB、LBP、HAAR）

先對幾個(gè)概念和問題做一個(gè)解釋：

• 圖像為什么要灰度化？

1. 識(shí)別物體，最關(guān)鍵的因素是梯度（SIFT/HOG），梯度意味著邊緣，這是最本質(zhì)的部分，而計(jì)算梯度，自然就用到灰度圖像了，可以把灰度理解為圖像的強(qiáng)度。
2. 顏色，易受光照影響，難以提供關(guān)鍵信息，故將圖像進(jìn)行灰度化，同時(shí)也可以加快特征提取的速度。

• 仿射不變性

平面上任意兩條線，經(jīng)過仿射變換后，仍保持原來的狀態(tài)（比如平行的線還是平行，相交的線夾角不變等）

• 什么是局部特征？局部特征應(yīng)該具有的特點(diǎn)？

局部特征從總體上說是圖像或在視覺領(lǐng)域中一些有別于其周圍的地方；局部特征通常是描述一塊區(qū)域，使其能具有高可區(qū)分度；局部特征的好壞直接會(huì)決定著后面分類、識(shí)別是否會(huì)得到一個(gè)好的結(jié)果。

局部特征應(yīng)該具有的特點(diǎn)： 可重復(fù)性、可區(qū)分性、準(zhǔn)確性、有效性（特征的數(shù)量、特征提取的效率）、魯棒性（穩(wěn)定性、不變性）。

[1] SIFT（尺度不變特征變換）

1.1 SIFT特征提取的實(shí)質(zhì)

在不同的尺度空間上查找關(guān)鍵點(diǎn)(特征點(diǎn))，并計(jì)算出關(guān)鍵點(diǎn)的方向。SIFT所查找到的關(guān)鍵點(diǎn)是一些十分突出、不會(huì)因光照、仿射變換和噪音等因素而變化的點(diǎn)，如角點(diǎn)、邊緣點(diǎn)、暗區(qū)的亮點(diǎn)及亮區(qū)的暗點(diǎn)等。

1.2 SIFT特征提取的方法

1. 構(gòu)建DOG尺度空間：

模擬圖像數(shù)據(jù)的多尺度特征，大尺度抓住概貌特征，小尺度注重細(xì)節(jié)特征。通過構(gòu)建高斯金字塔（每一層用不同的參數(shù)σ做高斯模糊（加權(quán)）），保證圖像在任何尺度都能有對應(yīng)的特征點(diǎn)，即保證尺度不變性。

2. 關(guān)鍵點(diǎn)搜索和定位：

確定是否為關(guān)鍵點(diǎn)，需要將該點(diǎn)與同尺度空間不同σ值的圖像中的相鄰點(diǎn)比較，如果該點(diǎn)為max或min，則為一個(gè)特征點(diǎn)。找到所有特征點(diǎn)后，要去除低對比度和不穩(wěn)定的邊緣效應(yīng)的點(diǎn)，留下具有代表性的關(guān)鍵點(diǎn)（比如，正方形旋轉(zhuǎn)后變?yōu)榱庑危绻眠吘壸鲎R(shí)別，4條邊就完全不一樣，就會(huì)錯(cuò)誤；如果用角點(diǎn)識(shí)別，則穩(wěn)定一些）。去除這些點(diǎn)的好處是增強(qiáng)匹配的抗噪能力和穩(wěn)定性。最后，對離散的點(diǎn)做曲線擬合，得到精確的關(guān)鍵點(diǎn)的位置和尺度信息。

3. 方向賦值：

為了實(shí)現(xiàn)旋轉(zhuǎn)不變性，需要根據(jù)檢測到的關(guān)鍵點(diǎn)的局部圖像結(jié)構(gòu)為特征點(diǎn)賦值。具體做法是用梯度方向直方圖。在計(jì)算直方圖時(shí)，每個(gè)加入直方圖的采樣點(diǎn)都使用圓形高斯函數(shù)進(jìn)行加權(quán)處理，也就是進(jìn)行高斯平滑。這主要是因?yàn)镾IFT算法只考慮了尺度和旋轉(zhuǎn)不變形，沒有考慮仿射不變性。通過高斯平滑，可以使關(guān)鍵點(diǎn)附近的梯度幅值有較大權(quán)重，從而部分彌補(bǔ)沒考慮仿射不變形產(chǎn)生的特征點(diǎn)不穩(wěn)定。注意，一個(gè)關(guān)鍵點(diǎn)可能具有多個(gè)關(guān)鍵方向，這有利于增強(qiáng)圖像匹配的魯棒性。

4. 關(guān)鍵點(diǎn)描述子的生成：

關(guān)鍵點(diǎn)描述子不但包括關(guān)鍵點(diǎn)，還包括關(guān)鍵點(diǎn)周圍對其有貢獻(xiàn)的像素點(diǎn)。這樣可使關(guān)鍵點(diǎn)有更多的不變特性，提高目標(biāo)匹配效率。在描述子采樣區(qū)域時(shí)，需要考慮旋轉(zhuǎn)后進(jìn)行雙線性插值，防止因旋轉(zhuǎn)圖像出現(xiàn)白點(diǎn)。同時(shí)，為了保證旋轉(zhuǎn)不變性，要以特征點(diǎn)為中心，在附近領(lǐng)域內(nèi)旋轉(zhuǎn)θ角，然后計(jì)算采樣區(qū)域的梯度直方圖，形成n維SIFT特征矢量（如128-SIFT）。最后，為了去除光照變化的影響，需要對特征矢量進(jìn)行歸一化處理。

• 如果對上述純文字理解困難，可以參考文章：
  SIFT特征提取算法

1.3 SIFT特征提取的優(yōu)點(diǎn)

1. SIFT特征是圖像的局部特征，其對旋轉(zhuǎn)、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(wěn)定性；
2. 獨(dú)特性（Distinctiveness）好，信息量豐富，適用于在海量特征數(shù)據(jù)庫中進(jìn)行快速、準(zhǔn)確的匹配；
3. 多量性，即使少數(shù)的幾個(gè)物體也可以產(chǎn)生大量的SIFT特征向量；
4. 高速性，經(jīng)優(yōu)化的SIFT匹配算法甚至可以達(dá)到實(shí)時(shí)的要求；
5. 可擴(kuò)展性，可以很方便的與其他形式的特征向量進(jìn)行聯(lián)合；
6. 需要較少的經(jīng)驗(yàn)主義知識(shí)，易于開發(fā)。

1.4 SIFT特征提取的缺點(diǎn)

1. 實(shí)時(shí)性不高，因?yàn)橐粩嗟匾M(jìn)行下采樣和插值等操作；
2. 有時(shí)特征點(diǎn)較少（比如模糊圖像）；
3. 對邊緣光滑的目標(biāo)無法準(zhǔn)確提取特征（比如邊緣平滑的圖像，檢測出的特征點(diǎn)過少，對圓更是無能為力）。

1.5 SIFT特征提取可以解決的問題：

目標(biāo)的自身狀態(tài)、場景所處的環(huán)境和成像器材的成像特性等因素影響圖像配準(zhǔn)/目標(biāo)識(shí)別跟蹤的性能。而SIFT算法在一定程度上可解決：

1. 目標(biāo)的旋轉(zhuǎn)、縮放、平移（RST）
2. 圖像仿射/投影變換（視點(diǎn)viewpoint）
3. 光照影響（illumination）
4. 目標(biāo)遮擋（occlusion）
5. 雜物場景（clutter）
6. 噪聲

近來不斷有人改進(jìn)，其中最著名的有 SURF（計(jì)算量小，運(yùn)算速度快，提取的特征點(diǎn)幾乎與SIFT相同）和 CSIFT（彩色尺度特征不變變換，顧名思義，可以解決基于彩色圖像的SIFT問題）。

[2] HOG（方向梯度直方圖）

2.1 HOG特征提取的實(shí)質(zhì)

通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。Hog特征結(jié)合SVM分類器已經(jīng)被廣泛應(yīng)用于圖像識(shí)別中，尤其在行人檢測中獲得了極大的成功。

2.2 HOG特征提取的方法

1. 灰度化；
2. 采用Gamma校正法對輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化（歸一化），目的是調(diào)節(jié)圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時(shí)可以抑制噪音的干擾；
3. 計(jì)算圖像每個(gè)像素的梯度（包括大小和方向），主要是為了捕獲輪廓信息，同時(shí)進(jìn)一步弱化光照的干擾；
4. 將圖像劃分成小cells（例如6*6像素/cell）；
5. 統(tǒng)計(jì)每個(gè)cell的梯度直方圖（不同梯度的個(gè)數(shù)），即可形成每個(gè)cell的descriptor；
6. 將每幾個(gè)cell組成一個(gè)block（例如3*3個(gè)cell/block），一個(gè)block內(nèi)所有cell的特征descriptor串聯(lián)起來便得到該block的HOG特征descriptor。
7. 將圖像image內(nèi)的所有block的HOG特征descriptor串聯(lián)起來就可以得到該image（你要檢測的目標(biāo)）的HOG特征descriptor了。這個(gè)就是最終的可供分類使用的特征向量了。

• 如果對上述純文字理解困難，可以參考文章：
  目標(biāo)檢測的圖像特征提取之（一）HOG特征

2.3 HOG特征提取特點(diǎn)

1. 由于HOG是在圖像的局部方格單元上操作，所以它對圖像幾何的和光學(xué)的形變都能保持很好的不變性，這兩種形變只會(huì)出現(xiàn)在更大的空間領(lǐng)域上。
2. 在粗的空域抽樣、精細(xì)的方向抽樣以及較強(qiáng)的局部光學(xué)歸一化等條件下，只要行人大體上能夠保持直立的姿勢，可以容許行人有一些細(xì)微的肢體動(dòng)作，這些細(xì)微的動(dòng)作可以被忽略而不影響檢測效果。因此HOG特征是特別適合于做圖像中的人體檢測的。

[3] SIFT和HOG的比較

共同點(diǎn)：都是基于圖像中梯度方向直方圖的特征提取方法

不同點(diǎn)：

SIFT 特征通常與使用SIFT檢測器得到的興趣點(diǎn)一起使用。這些興趣點(diǎn)與一個(gè)特定的方向和尺度相關(guān)聯(lián)。通常是在對一個(gè)圖像中的方形區(qū)域通過相應(yīng)的方向和尺度變換后，再計(jì)算該區(qū)域的SIFT特征。

HOG特征的單元大小較小，故可以保留一定的空間分辨率，同時(shí)歸一化操作使該特征對局部對比度變化不敏感。

結(jié)合SIFT和HOG方法，可以發(fā)現(xiàn)SIFT對于復(fù)雜環(huán)境下物體的特征提取具有良好的特性；而HOG對于剛性物體的特征提取具有良好的特性。

筆者曾做過一個(gè)自然場景分類的實(shí)驗(yàn)，發(fā)現(xiàn)SIFT的準(zhǔn)確率比HOG高，而如果檢測像人這種剛性的object，HOG的表現(xiàn)要比SIFT好。

[4] SIFT/HOG與神經(jīng)網(wǎng)絡(luò)特征提取的比較

眾所周知，隨著深度學(xué)習(xí)的發(fā)展，通過神經(jīng)網(wǎng)絡(luò)提取特征得到了廣泛的應(yīng)用，那么，神經(jīng)網(wǎng)絡(luò)提取的特征與傳統(tǒng)的SIFT/HOG等特征提取方法有什么不同呢？

4.1 神經(jīng)網(wǎng)絡(luò)提取到的特征

我們知道，對于一副圖像，像素級的特征沒有任何價(jià)值，而如果特征是一個(gè)具有結(jié)構(gòu)性（或者說有含義）的時(shí)候，比如摩托車是否具有車把手，是否具有車輪，就很容易把摩托車和非摩托車區(qū)分，學(xué)習(xí)算法才能發(fā)揮作用。

早期，兩個(gè)科學(xué)家Bruno Olshausen和 David Field通過實(shí)驗(yàn)研究了這個(gè)問題，發(fā)現(xiàn)一個(gè)復(fù)雜圖像往往由一些基本結(jié)構(gòu)組成。比如下圖：一個(gè)圖可通過用64種正交的edges（可以理解成正交的基本結(jié)構(gòu)）來線性表示。比如樣例的x可以用1-64個(gè)edges中的三個(gè)按照0.8,0.3,0.5的權(quán)重調(diào)和而成。而其他基本edges沒有貢獻(xiàn)，均為0 。

具體實(shí)驗(yàn)可以參考文章：
Deep Learning（深度學(xué)習(xí)）關(guān)于特征

小塊的圖形可以由基本edge構(gòu)成，更結(jié)構(gòu)化，更復(fù)雜的，就需要更高層次的特征表示，高層表達(dá)由低層表達(dá)的組合而成。如圖所示：

這就是神經(jīng)網(wǎng)絡(luò)每層提取到的特征。由于是通過神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)到了，因此也是無監(jiān)督的特征學(xué)習(xí)過程（Unsupervised Feature Learning） 。直觀上說，就是找到make sense的小patch再將其進(jìn)行combine，就得到了上一層的feature，遞歸地向上learning feature。在不同object上做training是，所得的edge basis 是非常相似的，但object parts和models 就會(huì)completely different了。

4.2 傳統(tǒng)特征提取方法與神經(jīng)網(wǎng)絡(luò)特征提取的比較

觀點(diǎn)1：傳統(tǒng)特征提取方法的研究過程和思路是非常有用的，因?yàn)檫@些方法具有較強(qiáng)的可解釋性，它們對設(shè)計(jì)機(jī)器學(xué)習(xí)方法解決此類問題提供啟發(fā)和類比。有部分人認(rèn)為（也有部分人反對）現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)與這些特征提取方法有一定類似性，因?yàn)槊總€(gè)濾波權(quán)重實(shí)際上是一個(gè)線性的識(shí)別模式，與這些特征提取過程的邊界與梯度檢測類似。同時(shí)，池化（Pooling）的作用是統(tǒng)籌一個(gè)區(qū)域的信息，這與這些特征提取后進(jìn)行的特征整合（如直方圖等）類似。通過實(shí)驗(yàn)發(fā)現(xiàn)卷積網(wǎng)絡(luò)開始幾層實(shí)際上確實(shí)是在做邊緣和梯度檢測。不過事實(shí)上卷積網(wǎng)絡(luò)發(fā)明的時(shí)候，還沒有這些特征提取方法。

觀點(diǎn)2： 深度學(xué)習(xí)的數(shù)據(jù)需求量大對于視覺來說是個(gè)偽命題。許多研究成果已經(jīng)表明深度學(xué)習(xí)訓(xùn)練得到的模型具有很強(qiáng)的遷移能力，因此在大數(shù)據(jù)集上訓(xùn)練完成的模型只要拿過來在小數(shù)據(jù)集上用就可以，不需要完全重新訓(xùn)練。這種方式在小數(shù)據(jù)集上的結(jié)果往往也比傳統(tǒng)方法好。

觀點(diǎn)3：還是需要重新訓(xùn)練的，只能說大數(shù)據(jù)集訓(xùn)練好的模型提供了一個(gè)比較好的參數(shù)初始化。而且卷積前幾層提取特征僅僅是對分類問題是對的，但是對于一些dense prediction還是不一樣，畢竟提取特征不一定有用，還是task dependent。

觀點(diǎn)4：深度學(xué)習(xí)是一種自學(xué)習(xí)的特征表達(dá)方法，比SIFT/HOG這些依靠先驗(yàn)知識(shí)設(shè)計(jì)的feature的表達(dá)效果高。早在13年大家都發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)的最后一層的local特征和SIFT性質(zhì)差不多，但是表達(dá)能力強(qiáng)太多。SIFT能做的事情CNN都能做，表達(dá)效果也強(qiáng)，那深度學(xué)習(xí)取代SIFT是遲早的事情（或者說已經(jīng)發(fā)生的事情）。深度神經(jīng)網(wǎng)絡(luò)識(shí)別率的提高不需要建立在需求大量訓(xùn)練樣本的基礎(chǔ)上，拿pre-train好的模型直接用就可以了。在一些沒有訓(xùn)練樣本的應(yīng)用（圖像分割（image stithing）/ 立體匹配（stereo mathing）) ，可以把卷積層的activation提取出來做stitching的local feature（感覺是一個(gè)可以探索的方向）。未來還有SIFT/SURF這種固定特征提取算法的生存空間嗎？除非是嵌入式這種計(jì)算資源極端受限的情況，但是現(xiàn)在大家都在試著implement CNN FPGA甚至ASIC了。

觀點(diǎn)5：2016年ECCV上舉辦的一個(gè)local feature的工作會(huì)，發(fā)現(xiàn)在核心匹配問題上，CNN并沒有什么突破性的進(jìn)展。在Oxford大學(xué)的VGG組提供的Hpatch數(shù)據(jù)集上，發(fā)現(xiàn)rootsiftpca效果最好，如圖：

那么提出兩個(gè)問題：（1）現(xiàn)在流行的特征學(xué)習(xí)方法siamese或triplet等結(jié)構(gòu)是否缺失了什么？ （2）雖然CNN可以挖掘patch里面包含的信息并建立對于復(fù)雜幾何和光照變化的不變性，但是這種學(xué)習(xí)到的不變性是否過度依賴于數(shù)據(jù)而無法有效泛化到真實(shí)匹配場景中所遇到的影像之間的復(fù)雜變化呢？

• 可以參考以下知乎話題，查看更多觀點(diǎn)：
  https://www.zhihu.com/question/48315686

[5] 其他傳統(tǒng)特征提取的方法（SURF、ORB、LBP、HAAR）

SURF、ORB、LBP可以參考文章：
圖像特征檢測描述(一):SIFT、SURF、ORB、HOG、LBP特征的原理概述及OpenCV代碼實(shí)現(xiàn)

5.1 SURF

前面提到SITF的缺點(diǎn)是如果不借助硬件加速或?qū)ｉT的圖像處理器很難達(dá)到實(shí)現(xiàn)，所以人們就要想辦法對SITF算子進(jìn)行改進(jìn)，SURF算子便是對SIFT的改進(jìn)，不過改進(jìn)之后在算法的運(yùn)行時(shí)間上還是沒有質(zhì)的飛躍。后面要介紹的ORB特征描述算子在運(yùn)行時(shí)間上才是一種質(zhì)的飛躍。

SURF主要是把SIFT中的某些運(yùn)算作了簡化。SURF把SIFT中的高斯二階微分的模板進(jìn)行了簡化，使得卷積平滑操作僅需要轉(zhuǎn)換成加減運(yùn)算，這樣使得SURF算法的魯棒性好且時(shí)間復(fù)雜度低。SURF最終生成的特征點(diǎn)的特征向量維度為64維。

5.2 ORB

ORB特征描述算法的運(yùn)行時(shí)間遠(yuǎn)優(yōu)于SIFT與SURF，可用于實(shí)時(shí)性特征檢測。ORB特征基于FAST角點(diǎn)的特征點(diǎn)檢測與描述技術(shù)，具有尺度與旋轉(zhuǎn)不變性，同時(shí)對噪聲及透視仿射也具有不變性，良好的性能使得用ORB在進(jìn)行特征描述時(shí)的應(yīng)用場景十分廣泛。

ORB特征檢測主要分為以下兩個(gè)步驟：

①方向FAST特征點(diǎn)檢測： FAST角點(diǎn)檢測是一種基于機(jī)器學(xué)習(xí)的快速角點(diǎn)特征檢測算法，具有方向的FAST特征點(diǎn)檢測是對興趣點(diǎn)所在圓周上的16個(gè)像素點(diǎn)進(jìn)行判斷，若判斷后的當(dāng)前中心像素點(diǎn)為暗或亮，將候定其是否為角點(diǎn)。FAST角點(diǎn)檢測計(jì)算的時(shí)間復(fù)雜度小，檢測效果突出。FAST角點(diǎn)檢測為加速算法實(shí)現(xiàn)，通常先對回周上的點(diǎn)集進(jìn)行排序，排序使得其計(jì)算過程大大得到了優(yōu)化。FAST對多尺度特性的描述是還是通過建立圖像金字塔實(shí)現(xiàn)的，而對于旋轉(zhuǎn)不變性即方向的特征則引入灰度質(zhì)心法用于描述特征點(diǎn)的方向。

②BRIEF特征描述： BRIEF描述子主要是通過隨機(jī)選取興趣點(diǎn)周圍區(qū)域的若干點(diǎn)來組成小興趣區(qū)域，將這些小興趣區(qū)域的灰度二值化并解析成二進(jìn)制碼串，將串特征作為該特征點(diǎn)的描述子，BRIEF描述子選取關(guān)鍵點(diǎn)附近的區(qū)域并對每一位比較其強(qiáng)度大小，然后根據(jù)圖像塊中兩個(gè)二進(jìn)制點(diǎn)來判斷當(dāng)前關(guān)鍵點(diǎn)編碼是0還是1.因?yàn)锽RIEF描述子的所有編碼都是二進(jìn)制數(shù)的，這樣就節(jié)省了計(jì)算機(jī)存儲(chǔ)空間。

5.3 LBP

LBP(Local Binary Pattern)，局部二值模式是一種描述圖像局部紋理的特征算子，具有旋轉(zhuǎn)不變性與灰度不變性等顯著優(yōu)點(diǎn)。LBP特征描述的是一種灰度范圍內(nèi)的圖像處理操作技術(shù)，針對的是輸入源為8位或16位的灰度圖像。LBP特征是高效的圖像特征分析方法，經(jīng)過改進(jìn)與發(fā)展已經(jīng)應(yīng)用于多個(gè)領(lǐng)域之中，特別是人臉識(shí)別、表情識(shí)別、行人檢測領(lǐng)域已經(jīng)取得了成功。LBP特征將窗口中心點(diǎn)與鄰域點(diǎn)的關(guān)系進(jìn)行比較，重新編碼形成新特征以消除對外界場景對圖像的影響，因此一定程度上解決了復(fù)雜場景下（光照變換）特征描述問題。

LBP算法根據(jù)窗口領(lǐng)域的不同分為經(jīng)曲LBP和圓形LBP兩種。下面分別介紹：

①經(jīng)典LBP： 經(jīng)典LBP算子窗口為3×3的正方形窗口，以窗口中心像素為閾值，將其相鄰8領(lǐng)域像素灰度與中心像素值比較，若中心像素值小于周圍像素值，則該中心像素位置被標(biāo)記為1，否則為0（顯然這種規(guī)則下，對于中心點(diǎn)大于或等于這兩種情況，算法無法區(qū)分，后續(xù)經(jīng)過改進(jìn)引入LBP+與LBP-因子用來區(qū)分這兩種情況）。圖像經(jīng)過這種遍歷操作后，圖像就被二值化了，每一個(gè)窗口中心的8鄰域點(diǎn)都可以由8位二進(jìn)制數(shù)來表示，即可產(chǎn)生256種LBP碼，這個(gè)LBP碼值可以用來反映窗口的區(qū)域紋理信息。LBP具體在生成的過程中，先將圖像劃分為若干個(gè)子區(qū)域，子區(qū)域窗口可根據(jù)原圖像的尺寸進(jìn)行調(diào)整，而不一定非得為3×3的正方形窗口。一般對于512×640的圖像，子區(qū)域窗口區(qū)域選取大小為16×16。

②圓形LBP： 經(jīng)典LBP用正方形來描述圖像的紋理特征，其缺點(diǎn)是難以滿足不同尺寸和頻率的需求。Ojala等人對經(jīng)典LBP進(jìn)行了改進(jìn)，提出了將3×3的正方形窗口領(lǐng)域擴(kuò)展到任意圓形領(lǐng)域。由于圓形LBP采樣點(diǎn)在圓形邊界上，那么必然會(huì)導(dǎo)致部分計(jì)算出來的采樣點(diǎn)坐標(biāo)不是整數(shù)，因此這里就需要對得到的坐標(biāo)像素點(diǎn)值進(jìn)行處理，常用的處理方法是最近鄰插值或雙線性插值。

放一張SIFT/HOG/LBP優(yōu)缺點(diǎn)、適用范圍對比圖：

5.4 HAAR

人臉檢測最為經(jīng)典的算法Haar-like特征+Adaboost。這是最為常用的物體檢測的方法（最初用于人臉檢測），也是用的最多的方法。

訓(xùn)練過程： 輸入圖像->圖像預(yù)處理->提取特征->訓(xùn)練分類器（二分類）->得到訓(xùn)練好的模型；

測試過程：輸入圖像->圖像預(yù)處理->提取特征->導(dǎo)入模型->二分類（是不是所要檢測的物體）。

Haar-like特征是很簡單的，無非就是那么幾種，如兩矩形特征、三矩形特征、對角特征。后來，還加入了邊緣特征、線特征、中心環(huán)繞特征等。使用積分圖可以加速計(jì)算特征。最后，使用集成的方法Adaboost進(jìn)行訓(xùn)練。

• 具體細(xì)節(jié)可以參考文章：
  特征提取之Haar特征
• 再附一個(gè)Haar和HOG比較的問題：
  為什么在行人檢測中，HOG特征比Haar特征更精確？

本篇文章到此結(jié)束，有什么錯(cuò)誤歡迎指正！

補(bǔ)充：
1、SIFT / HOG 不同點(diǎn)： SIFT提取的關(guān)鍵點(diǎn)是角點(diǎn)，HOG提取的是邊緣特征。
2、傳統(tǒng)特征提取 / CNN特征提取不同點(diǎn)：傳統(tǒng)特征提取方法的檢測算子一般是人為設(shè)計(jì)好的，是經(jīng)過大量的先驗(yàn)知識(shí)總結(jié)得到的；CNN特征提取相當(dāng)于在訓(xùn)練一個(gè)個(gè)filter（過濾器、卷積核），這些filter相當(dāng)于傳統(tǒng)特征提取方法中的檢測算子。因此，CNN特征提取是利用神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)得到的。