SIFT与HOG特征提取

SIFT ：scale invariant feature transform

HOG：histogram of oriented gradients

这两种方法都是基于图像中梯度的方向直方图的特征提取方法。

1. SIFT 特征 

    实现方法：

    SIFT 特征通常与使用SIFT检测器得到的感兴趣点一起使用。这些感兴趣点与一个特定的方向和尺度（scale）相关联。通常是在对一个图像中的方形区域通过相应的方向和尺度变换后，再计算该区域的SIFT特征。

    首先计算梯度方向和幅值（使用Canny边缘算子在感兴趣点的周围16X16像素点区域计算）。对得到的方向在0-360度范围内分成八个区间，然后将16X16大小的区域分成不重合的4X4个单元，每个单元内计算梯度方向直方图（八个区间）。一共得到16个单元的直方图，将这些直方图接连起来得到长度为128X1的向量，然后将该向量归一化。

    特点：

  （1）由于使用梯度进行计算，该特征计算方法对恒定的灰度变化具有不变性。

  （2）最后一步中的归一化过程使该特征对图像对比度具有一定不变性。

  （3）由于在4X4的单元内计算直方图，该特征不会受到一些小的形变的影响。

2. HOG 特征 

    实现方法：

     HOG 特征 的实现方法与SIFT特征的实现方法类似，其广泛用于行人检测中。举例来说，假如使用64X128的窗口进行检测，先计算每个像素点处的梯度方向和幅值，梯度方向在0-180度范围内被分成9个区间，64X128的区域被分成6X6大小的单元，每个单元内计算梯度方向直方图。用3X3 个单元组成一个块，在块内将9个直方图组合成一维向量后归一化。然后将所有的块得到的向量连接在一起得到最终的HOG 特征。

    特点：

    （1）单元的大小较小，故可以保留一定的空间分辨率。

    （2）归一化操作使该特征对局部对比度变化不敏感。

参考： http://blog.csdn.net/zouxy09/article/details/7929348