特征提取方法：
1、SIFT(Scale-invariant feature transform)尺度不变特征变换
特点：
1、局部特征
2、对旋转，缩放，亮度变化保持不变性
3、高速性
缺点：
1、局部特征
2、对边缘光滑的图像难以准确提取特征点
原理：
1、在尺度空间（例如高斯金字塔）上搜寻keypoints兴趣点（对于尺度和旋转不变）
2、筛选上一步获得的兴趣点
（1）对空间中的极值点进行精确定位
（2）用Hessian矩阵消除边缘效应3、在选定的尺度下，在兴趣点附近构造梯度方向直方图
4、对直方图进行统计，以此来描述此keypoints
总结：
这个方法是通过寻找通过高斯模糊来构造不同尺度下的高斯尺度空间金字塔，通过遍历所有点，找出尺度空间中的极值点（与26个点进行比较，分别是这一层的周围8个点，以及上下两层的9个点）。在初步探查之后，通过对尺度空间下的DoG函数进行拟合，来确定keypoints的精确位置。DoG算子的缺点是有较强的边缘效应，在消除边缘效应之后，得到的就是筛选后的精确keypoints。最后就是对找到的keypoints统计梯度方向直方图，并将其向量化。
简单来说，这个方法由于其旋转及尺度不变性，主要被应用于图片匹配的应用中。
2、HOG（Histogram of Oriented Gradients）
原理：
1、图片预处理：灰度化，亮度空间标准化
2、计算图中每个像素的梯度
3、将图像划分成一个个cell
4、统计每个cell内的梯度直方图
5、将每几个cell组成一个block，将该block内的所有cell的的梯度特征串起来组成该block内的HoG特征
6、将整张图内的所有block的HoG向量串起来组成此图的HoG特征向量（可归一化）
总结：
这个方法通过设定不同大小的cell以及block作为参数，统计出整张图像的梯度特征（梯度可以反应物体的形状，边缘等特征），通过cell以及block的形式去统计局部特征。该方法配合SVM曾是图像分类任务中最为常用的。
3、LBP(Local Binary Pattern)局部二值
步骤：
1、确定cell大小
2、遍历cell中的像素，将其周围的8个像素与其相比较，若大于中心像素，则对应像素标记为1，否则为0
3、统计cell中的二值直方图，全部串起来组成图像的特征向量
总结：
这个方法通过二值降维的方式，提取出了图像的纹理特征，并且有效的减少了高频噪声的影响。
4、SURF(Speeded up Robust Features)基于SIFT的更高效算法
步骤：
1、构建Hessian矩阵，生成所有的边缘点
2、构建尺度空间金字塔
3、keypoints定位，对第一步生成的所有边缘点进行尺度空间中的极值筛选
4、进行SIFT中的精确定位
5、特征点主方向选择，与SIFT不同的是，SURF采用的是Harr算法中的扇形统计
6、统计4*4cell中的梯度值，并整合成特征向量
总结：
这个方法是SIFT的优化算法，通过在第一步构造Hessian矩阵选出边缘点作为第一批keypoints，减少了SIFT中所有点在尺度空间中的极值对比。同时，通过该用Harr的扇形统计并沿主方向统计特征，使得每一个cell中的向量维度由原来的128降到了64 。
