在深度学习大量应用之前，图像的识别主要是利用特征检测。包括边缘检测、特征检测等，这写方法很依赖科学家的经验和个人能力。

边缘检测

什么是边缘
视觉上：就是区分2个物体之间的边界
二值化的图片上：就是图像上灰度或者颜色变化比较剧烈的地方

如何评估变化剧烈
一般使用导数或者微分去表达数据变化的程度。其中导数存在一个问题是当角度为90°时，导数过大，不方便计算。因此用微分来判断变化率，也即用dy/dx近似导数，当固定dx时，只需比较dy就可以表达边界的强弱。这也叫梯度。

梯度怎么计算呢
梯度其实也是一个点与周围点的变化程度，我们希望得到变化率大的地方，这个和滤波有点相似。乘以特定的核函数得到核函数相似的波形。

常见的算子（滤波核）
Prewitt算子、Sobel算子、canny算子、Laplacian算子等等

Sobel算子

用2个3*3卷积（横向Gx和纵向Gy），分别和图片进行卷积，得到纵向和横向的亮度微分近似值。

Canny算子

步骤：
1）高斯滤波去噪
2）计算梯度幅值和方向
3）非极大值抑制
在每一点上，邻域中心与沿着其对应梯度方向的2个像素比较，如果中心像素是最大值，保留，否则置0
4）应用双阈值确定真实和可能的边缘
a)当前点的边缘梯度值≥maxVal：强边缘
b)minVal≤当前点的边缘梯度值≤maxVal：虚边缘
c)当前点的边缘梯度值≤minVal：虚边缘

LOG斑点检测

一个图形和二维函数进行卷积的物理意义是，看这个图形和二维函数模板的相似程度。
拉普拉斯函数对噪声很铭感，在卷积之前用一个高斯低通滤波对图像卷积去噪

角点检测

基础知识：
什么是角点
对于一个图形，一般分为2种区域，平坦区域和边缘特征
平坦区域的特点：窗口各个方向平移，窗口像素变化很小
边缘特点：如竖线，水平平移窗口时，像素变化很大，而垂直移动时变化很小
角点（更加特殊的边缘）：无论怎么移动像素变化都很大
图像梯度
像素变化的大小可以用梯度进行评估
梯度的计算比较复杂，常用差分近似表示（卷积模板）
常用的卷积模板
sobel：梯度近似计算

laplacian：二阶导数（有梯度不变性）

scharr：结构较小时计算量比sobel小、

Moravec角点

这是一种基于灰度方差的角点检测方法，该算法计算图像中某个像素点沿着水平、垂直方向的灰度差异，确定角点位置

Harris角点

考察所有方向上的灰度差异，且有旋转不变形和对部分放射变换的稳定性
基本思想：
1）局部窗口左右上下移动计算像素变化
2）对每个窗口计算角点相应函数R
3）阈值处理：当R>阈值，是角点
算法步骤：
1）通过计算梯度的协方差矩阵M，得到灰度值变化大小
2）R取决于M的特征值（角点R值很大，平坦R值小，边缘的R是负数）
3）角点判定使用非极大抑制

Shi-Tomasi角点

通过考察自相关矩阵M的两个特征值中的较小值确定角点。

Fast角点

快！

SIFT

该算法对图像缩放、旋转、甚至仿射变换保持不变性
该算法主要思路：
a)构造图像的尺度空间表示（DOG金字塔），
b)在尺度空间中搜索图像的极值点，
c)由极值点建立特征描述向量，
d)用特征描述向量进行相似度匹配。
检测：
1）初步查探：通过每一个像素点与相邻所有点进行比较，求局部极值
2）精确定位：通过曲线拟合得到特征点精确位置（因为金字塔导致不同scale的位置可能不一样），去除不稳定的错误检测的极值点
3）关键点方向：通过求每个极值点的梯度确定（梯度直方图）
描述：
对关键点周围分块，计算每一块的梯度直方图。
如下图所示，中心点为要计算的像素，先获取周围8X8的图像梯度，然后分块计算每4X4区域内的梯度直方图，最后得到的关键点算子为2X2X8=32维。

匹配：
通过计算2组特征点的128维关键点的欧式距离判断是否匹配。

SUFT

ORB

包括2个部分：特征点提取和特征点描述
特征点提取是由FAST发展来的
特征点描述是根据BRIEF特征描述算子改进
brief算出来是一个二进制串的特征描述符，减少内存

总体而言
SUFT基本可以完全替代SIFT，在要求计算时间的情况下，选用ORB

Haar/SVM

Haar常用于人脸（反映灰度变化）
边缘特征
线性特征
中心特征
对角特征
特征模板
检测：平移
快速：积分图
有效：AdaBoost

HOG/DPM

HOG
区别于Canny只检测边缘，Hog需要知道边缘及其梯度和方向
计算流程：
预处理：resize（64*128）
计算：梯度、幅值、方向直方图
梯度标准化：减小亮度影响
DPM
在HOG基础上加上SVM滑窗+尺度金字塔