SIFT、HOG、LBP，這三者都屬於局部特征。

一、三者原理上的區別

1.SIFT：Scale-Invariant Feature Taransform，尺度不變特征變換。

• 尺度空間的極值檢測：搜索所有尺度空間上的圖像，通過高斯微分函數來識別潛在的對尺度和旋轉魯棒性較強的點。
• 特征點定位：在每個候選位置上，通過一個擬合精細模型（尺度空間DoG函數進行曲線擬合）來確定位置尺度，關鍵點的選取依據他們的穩定程度。
• 特征方向賦值：基於圖像局部的梯度方向，分配給每個關鍵點位置一個或多個方向，後續的所有操作都是對於關鍵點的方向、尺度和位置進行變換，從而提供這些特征的不變性。
• 特征點描述：在每個特征點周圍的領域內，在選定的尺度上測量圖像的局部梯度，計算塊內梯度直方圖，生成具有獨特性的向量。

2.HOG：Histogram of Oriented Gradient，方向梯度直方圖。

• 顏色空間歸一化：為了減少光照因素的影響， 首先需要將整個圖像歸一化。因為顏色信息作用不大，通常先轉化為灰度圖。
• 梯度計算：計算圖像橫坐標和縱坐標方向的梯度，並據此計算每個像素位置的梯度方向值；求導操作不僅能捕獲輪廓，還能進一步弱化光照的影響。
• 梯度方向直方圖：將圖像分成若幹個cell，對cell內每個像素用梯度方向在直方圖中進行加權投影（映射到固定的角度範圍），就可以得到這個cell的梯度直方圖。
• 將每幾個cell組成一個block（例如3*3個cell/block），一個block內所有cell的特征descriptor串聯起來便得到該block的HOG特征descriptor。
• 組成特征：將圖像image內的所有block的HOG特征descriptor串聯起來就可以得到該image（你要檢測的目標）的HOG特征descriptor。

3.LBP：Local Binary Pattern，局部二值模式。

原始的LBP算子定義在像素3*3的鄰域內，以鄰域中心像素為閾值，相鄰的8個像素的灰度值與鄰域中心的像素值進行比較，若周圍像素大於中心像素值，則該像素點的位置被標記為1，否則為0。這樣，3*3鄰域內的8個點經過比較可產生8位二進制數，將這8位二進制數依次排列形成一個二進制數字，這個二進制數字就是中心像素的LBP值，LBP值共有28種可能，因此LBP值有256種。中心像素的LBP值反映了該像素周圍區域的紋理信息。

二、三者的優缺點及適用範圍

參考文獻：

1.【SIFT特征詳解】

2.【LBP特征原理及代碼實現】

3.【目標檢測的圖像特征提取之（一）HOG特征】

9/1/2017 5:29:04 PM
作者：盛淮南
鏈接：https://www.zhihu.com/question/45833619/answer/223930439
來源：知乎

SIFT 、Hog 、LBP 了解