Take-Home Message

• LBP 不受光照影响，运算快，适用在人脸
• SIFT是基于关键点的特征描述,具有旋转、尺度、光照不变性（常用欧式距离比较距离做匹配）
• HOG 是基于块的梯度直方图特征描述，适用在人体检测（常作为分类器输入特征）

算法细节

LBP (Local Binary Pattern)

• 算法流程:
  比较3x3邻域(Local)内，中心点像素值与周围8个点的大小关系，大于中心点，取值为1；小于中心点，取值为0（Binary）, 将8位0/1表示的二进制转换为十进制表示，得到该点处的LBP特征的数值
• 特点：
  • Pros： LBP反应了像素值间的大小关系，与具体数值无关，故对光照影响鲁棒
  • Cons： 只统计周围3x3邻域关系，不具有旋转尺度不变性(有对这些缺点进行改进的算法)

SIFT (Scale Invariant Feature Transform)

• 算法流程

  • 1.关键点检测
    • 构建高斯尺度金字塔(gaussian blur)和图像金字塔(downsample)
    • 用DOG近似LOG, 在DOG图像中找到极大/极小值点作为候选关键点(3张DOG图像上，3x3领域的极值), 在超像素层面找到极值点(泰勒展开，梯度法迭代求解极值点), (尺度不变性)
    • 去除多余关键点(低对比度点和边缘)
  • 2.对关键点的直方图特征描述
    • 主方向对齐(旋转不变性)
    • 关键点邻域(16x16)梯度直方图统计, 每个关键点得到128维特征向量(4x4x8)

• 特点

  • 尺度, 旋转不变性，光照变化不敏感
  • 计算量大，耗时

HOG (Histogram of Oriented Gradients)

• 算法流程：
  HOG将图片均匀分成多个cell,对每个cell进行梯度直方图统计，多个cell组成一个block，在单个block做归一化(block之间存在重叠)，这样对光照变化鲁棒。每个block得到一个向量，将所有block特征合并得到最后的HOG特征表示

• 算法特点:

  • 适用于人体检测
  • 不具有尺度/旋转不变性

! HOG与SIFT的区别：
The R-HOG blocks appear quite similar to the scale-invariant feature transform (SIFT) descriptors; however, despite their similar formation, R-HOG blocks are computed in dense grids at some single scale without orientation alignment, whereas SIFT descriptors are usually computed at sparse, scale-invariant key image points and are rotated to align orientation. In addition, the R-HOG blocks are used in conjunction to encode spatial form information, while SIFT descriptors are used singly. (From wikipedia HOG)

reference

• wikipedia LBP
• wikipedia SIFT
• wikipedia HOG
• SIFT: Theory and Practice
• SIFT原理与源码分析
• 图像学习-HOG特征
• Hog,SIFT以及LBP这三种特征有什么不同？