图像特征提取方法

LBP（Local Binary Pattern）

局部二值化模式，具有灰度不变性和旋转不变性，常用于人脸检测。

计算方式

原始 LBP 算子为 3x3 kernel，以中心像素为阈值，周围像素大于阈值填 1，否则填 0，顺时针读取二进制值作为新像素值。

改进

将正方形区域改为圆形区域，具备灰度不变性。旋转圆形区域取最小 LBP 值，具备旋转不变性。

HOG（Histogram of Oriented Gradient）

方向梯度直方图，常用于行人检测（HOG + SVM），具有光照不变性。

计算过程

1. 灰度化
2. Gamma 校正归一化（调节对比度，抑制噪声）
3. 计算每个像素的梯度（获取轮廓信息）
4. 将图像划分为 cell，统计每个 cell 的梯度直方图
5. 多个 cell 组合成 block，归一化
6. 串联所有 block 特征向量作为最终特征

Haar 特征

常与 AdaBoost 结合用于人脸检测。使用四类特征模板：边缘特征、线性特征、中心特征、对角线特征。特征值 = 白色区域像素和 - 黑色区域像素和。

Harris 角点检测

利用滑动窗口在图像上滑动，比较滑动前后灰度变化。当灰度变化较大时认为存在角点。

Canny 边缘检测

1. 去噪：高斯滤波
2. 计算梯度：Sobel 算子计算 X/Y 方向梯度
3. 非极大值抑制：保留局部最大值
4. 双边阈值：> maxVal 强边缘，minVal ~ maxVal 弱边缘，< minVal 抑制
5. 联通边缘：连接强弱边缘

SIFT

尺度不变特征变换，具有尺度不变性和旋转不变性。通过构建尺度空间、关键点定位、方向分配、关键点描述四个步骤完成特征提取。