說明：此處暫時簡單介紹下各種特徵提取演算法，後續完善。
前言：模式識別中進行匹配識別或者分類器分類識別時，判斷的依據就是影象特徵。用提取的特徵表示整幅影象內容，根據特徵匹配或者分類影象目標。常見的特徵提取演算法主要分為以下3類：
①基於顏色特徵：如顏色直方圖、顏色集、顏色矩、顏色聚合向量等；
②基於紋理特徵：如tamura紋理特徵、自回歸紋理模型、gabor變換、小波變換、mpeg7邊緣直方圖等；
③基於形狀特徵：如傅利葉形狀描述符、不變矩、小波輪廓描述符等；
下面主要介紹常用的特徵提取演算法（前三個是分類器應用中常見的3個特徵提取演算法）：
答：lbp（local binary patterns，區域性二值模式）是提取區域性特徵作為判別依據的，為一種有效的紋理描述運算元，度量和提取影象區域性的紋理資訊，對光照具有不變性。有多種改進型，lbp結合bp神經網路已經用於人臉識別等領域。lbp的基本思想是定義於畫素的8鄰域中, 以中心畫素的灰度值為閾值, 將周圍8 個畫素的值與其比較, 如果周圍的畫素值小於中心畫素的灰度值, 該畫素位置就被標記為0, 否則標記為1. 每個畫素得到乙個二進位制組合, 就像00010011. 每個畫素有8個相鄰的畫素點,即有2^8種可能性組合。如下：
lbp的改進與優化：
（1）改進的圓形鄰域lbp：為了適應不同尺度的紋理特徵, 並達到灰度不變性的要求, 相關學者對 lbp 運算元進行了改進, 將 3×3 鄰域擴充套件到任意鄰域, 並用圓形鄰域代替了正方形鄰域。這樣如果乙個在圓上的點不在影象座標上, 用它周圍的畫素值內插得到。如下：
（2）旋轉不變lbp：從 lbp 的定義可以看出, lbp 運算元是灰度不變的, 但卻不是旋轉不變的. 影象的旋轉就會得到不同的 lbp值。有關學者將 lbp 運算元進行了擴充套件, 提出了具有旋轉不變性的 lbp 運算元, 即不斷旋轉圓形鄰域得到一系列初始定義的 lbp 值, 取其最小值作為該鄰域的 lbp 值。如下圖給出了這個過程：
應用：lbp主要應用在紋理分類、人臉分析等。lbp特徵提取結果還是大小相同的一幅影象，但一般都不直接將lbp圖譜作為特徵向量用於分類識別，而是採用lbp特徵譜的統計直方圖作為特徵向量用於分類識別。
不變性：改進型lbp具有尺寸和旋轉不變性。
更詳細參考：
答：方向梯度直方圖（histogram of oriented gradient, hog）特徵是一種在計算機視覺和影象處理中用來進行物體檢測的特徵描述子。它通過計算和統計影象區域性區域的梯度方向直方圖來構成特徵。hog特徵結合svm分類器已經被廣泛應用於影象識別中，尤其在行人檢測中獲得了極大的成功。需要提醒的是，hog+svm進行行人檢測的方法是法國研究人員dalal在2005的cvpr上提出的，而如今雖然有很多行人檢測演算法不斷提出，但基本都是以hog+svm的思路為主。
不變性：具有光照不變性，不具有尺寸和旋轉不變性。
應用：hog演算法提取的是影象各個畫素梯度的統計直方圖，一般會將這些梯度直方圖轉化成乙個向量，用於分類器的訓練輸入。
具體參考：和
答：常和adaboost結合用於識別人臉。haar特徵很簡單，分為三類：邊緣特徵、線性特徵、中心特徵和對角線特徵，組合成特徵模板。特徵模板內有白色和黑色兩種矩形，並定義該模板的特徵值為白色矩形畫素和減去黑色矩形畫素和。haar特徵值反映了影象的灰度變化情況。例如：臉部的一些特徵能由矩形特徵簡單的描述，如：眼睛要比臉頰顏色要深，鼻樑兩側比鼻樑顏色要深，嘴巴比周圍顏色要深等。但矩形特徵只對一些簡單的圖形結構，如邊緣、線段較敏感，所以只能描述特定走向（水平、垂直、對角）的結構。
haar的4種特徵提取模板矩形如下圖（色塊矩陣姿態包括水平、垂直、斜45度）：
具體參考：和
答：log（dog是一階邊緣提取）是二階拉普拉斯-高斯邊緣提取演算法，先高斯濾波然後拉普拉斯邊緣提取。laplace運算元對通過影象進行操作實現邊緣檢測的時，對離散點和雜訊比較敏感。於是，首先對影象進行高斯卷積濾波進行降噪處理，再採用laplace運算元進行邊緣檢測，就可以提高運算元對雜訊抗干擾能力, 這乙個過程中高斯-拉普拉斯（laplacian of gaussian(log)）邊緣檢測運算元就誕生了。
具體參考：
答：參考和
答：sift運算元是一種檢測區域性特徵的演算法，該演算法通過求一幅圖中的特徵點及其有關尺寸和方向的描述子得到特徵並進行影象特徵點匹配，獲得了良好效果。每個特徵點的sift特徵是128維向量，因此計算量巨大。
不變性：具有尺寸和旋轉不變性。
改進型：pca-sift，如名稱所說「主成分sift特徵」，主要提取了128維特徵向量中的20個特徵，大大減少了計算。
具體參考：和
答：surf是sift角點檢測演算法的改進版，主要體現在速度上，surf是sift速度的3倍。sift在尺度和旋轉變換的情況下匹配效果比surf好，而surf在亮度變化下匹配效果比較好。具體參考：
模式識別中的特徵提取
模式識別中主要處理兩個關鍵問題，第一是分類器的設計，第二便是特徵提取。而且幾乎所有模式識別方面的研究都是在優化這兩個問題，要麼是造乙個更牛的分類器，要麼是找出一些表現力更高的特徵形式。然而這個問題再最近幾年變得不那麼明朗了，分類器的研究不用多說，從剛開始的k近鄰分類器，貝葉斯分類器，到曾經風靡一時的...
手勢識別之 Haar特徵提取
1 haar like特徵 haar like特徵最早是由papageorgiou等應用於人臉表示，viola和jones在此基礎上，使用3種型別4種形式的特徵。haar特徵分為三類 邊緣特徵 線性特徵 中心特徵和對角線特徵，組合成特徵模板。特徵模板內有白色和黑色兩種矩形，並定義該模板的特徵值為白色...
模式識別中的特徵提取及其內在意義
這兩天一直在看深度學習的東西，看的頭暈腦脹，不過暈乎歸暈乎，感覺對模式識別中的特徵提取有了更深一點的小理解，暫時記載下來。突然覺得，模式識別的所有問題都繞不過兩個關鍵門檻，第一是分類器，第二便是特徵提取。而且幾乎所有模式識別方面的研究都是在優化這兩個問題，要麼是造乙個更牛的分類器，要麼是找出一些表現...