SIFT、HOG、LBP，這三者都屬於區域性特徵。

一、三者原理上的區別

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

• 尺度空間的極值檢測：搜尋所有尺度空間上的影象，通過高斯微分函式來識別潛在的對尺度和旋轉魯棒性較強的點。
• 特徵點定位：在每個候選位置上，通過一個擬合精細模型（尺度空間DoG函式進行曲線擬合
  ）來確定位置尺度，關鍵點的選取依據他們的穩定程度。
• 特徵方向賦值：基於影象區域性的梯度方向，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，從而提供這些特徵的不變性。
• 特徵點描述：在每個特徵點周圍的領域內，在選定的尺度上測量影象的區域性梯度，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， 首先需要將整個影象歸一化。因為顏色資訊作用不大，通常先轉化為灰度圖。
• 梯度計算：計算影象橫座標和縱座標方向的梯度，並據此計算每個畫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：將影象分成若干個cell，對cell內每個畫素用梯度方向在直方圖中進行加權投影（對映到固定的角度範圍），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的特徵descriptor串聯起來便得到該block的HOG特徵descriptor。
• 組成特徵：將影象image內的所有block的HOG特徵descriptor串聯起來就可以得到該image（你要檢測的目標）的HOG特徵descriptor。

3.LBP：Local Binary Pattern，區域性二值模式。

原始的LBP運算元定義在畫素3*3的鄰域內，以鄰域中心畫素為閾值，相鄰的8個畫素的灰度值與鄰域中心的畫素值進行比較，若周圍畫素大於中心畫素值，則該畫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位二進位制數，將這8位二進位制數依次排列形成一個二進位制數字，這個二進位制數字就是中心畫素的LBP值，LBP值共有28種可能，因此LBP值有256種。中心畫素的LBP值反映了該畫素周圍區域的紋理資訊。

二、三者的優缺點及適用範圍

參考文獻：

1.【SIFT特徵詳解】

2.【LBP特徵原理及程式碼實現】

3.【目標檢測的影象特徵提取之（一）HOG特徵】