2D/3D特征提取学习

二维特征：

colmap使用方法——SIFT算法特征提取：

DOG差分金字塔（多尺度空间），提取极值；子像素插值（Sub-pixel Interpolation）泰勒梯度插值去除假极值；图像Hessian矩阵极值去除边缘点；像素梯度解出方分布特征，主方向和辅方向，得到包含方向的特征；最后利用448=128维作为向量描述子，采用欧式距离匹配。

优点：尺度不变性—多尺度处理；旋转不变性—方向梯度；特征丰富抗噪
缺点：计算复杂度高；内存占用大；算法参数敏感：高斯金字塔层数，尺度空间采样步长需实验设定佳值
使用：colmap

HOG（方向梯度直方图）

梯度直方图。
灰度处理，归一化：调节图像对比度，降低图像局部的阴影、光照变化造成的影响，降噪。
计算每个像素的梯度，划分成多个cell，每个cell包含6*6个像素，分为一个以40°为一格共9格的扇形梯度直方图；将多个3×3cell合并在一个block内，进行块内归一化处理，得到3×3×9个HOG特征。

优点：几何光学不变性—cell局部单元
缺点：实时性差；无旋转不变性；无尺度不变性；噪声敏感—可添加高斯平滑
使用：人体检测

LBP（Local Binary Pattern）局部二值模式

将一张图像划分为多个cell，每个cell包含16×16个像素；对其中的每个像素与相邻的八个像素进行灰度比较，小于为0，大于为1即一个八位二进制的数LBP值；并组成了一个灰度直方图；每个cell的直方图特征连接起来组成LBP特征向量。

优点：旋转不变性；光照不敏感—灰度不变性；计算速度快
缺点：方向敏感
使用：纹理分类，人脸识别

Haar-like 特征

采用矩形特征，积分图记录检索。用于面部特征识别。

优点：很好描述阴影变化
缺点：纹理复杂度描述低
使用： 人脸识别

ORB

优点：速度快，具有较好旋转不变性
缺点：尺度不变性很差，精度比sift弱

Surf

优点：精度高于BRIEF
缺点：实时性低

三维特征：

类HOG
PFH（ Point Feature Histogram）：
提取每个点一定邻域内，与其他点的法线角度，分为abc三个角度元素，并将每个角度元素分成五份，以直方图的形式存储。直方图单个区间代表单个特征，有值则存在该特征。

FPFH（Fast Feature Histogram）:
迭代增长搜寻。采用简化点特征直方图SPFH（Simplified Point Feature Histogram)。
先计算SPFH，再加权为 FPFH。每个点的直方图特征加上距离权重：
参考