特征学习(HOG&SIFT)

MachineLearning

HOG

参见博客目标检测的图像特征提取之（一）HOG特征以及HOG特征分析。
HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。HOG是在图像的局部方格单元上操作，所以它对图像几何和光学的形变都能保持良好的不变性（除非物体方向改变）。
下图为HOG在Opencv中的实现流程：

SIFT

参见博客SIFT特征分析上和SIFT特征分析下以及SIFT特征提取分析.另外云龙兄写的SIFT并行分析文档也是很好的参考。
SIFT特征的特点：
+ SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。
+ 独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。
+ 多量性，即使少数的几个物体也可以产生大量SIFT特征向量。
+ 可扩展性，可以很方便的与其他形式的特征向量进行联合。

SIFT提取过程：