图像特征描述SIFT、SURF、ORB、HOG、HAAR、LBP特征的原理概述

SIFT
SIFT尺度不变特征转换，具有选择，尺度不变性。由David Lowe在1999年所发表，2004年完善总结。

owe将SIFT算法分解为如下四步：
1. 尺度空间极值检测：搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。（采用不同参数的高斯模板进行不同尺度的模糊，对图像进行下采样进行图像金字塔，同层的上下两层相减得到高斯差分图像进行极值点检测DOG。）
2. 关键点定位：在每个候选的位置上，通过一个拟合精细的模型（三维二次函数）来确定位置和尺度。关键点的选择依据于它们的稳定程度。
3. 方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。旋转不变性，利用梯度的方法求取局部结构的稳定性。
4. 关键点描述（128维）：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。描述子是关键点领域高斯图像梯度统计结果的一种表示，通过对关键点周围图像区域分块，计算块内梯度直方图，生成具有独特性的向量。
参考：http://blog.csdn.net/zddblog/article/details/7521424

SURF
SURF是对sift的改进，尺度空间对图像采用不同大小高斯模板生成金字塔，简化了二阶微分模板，是的平滑操作只需要转换成加减法运算。
另外，在方向确定阶段，在圆形区域计算x，y方向的haar小波响应，找到模最大的扇形方向（64维）。

参考：
http://blog.csdn.net/faith_yu/article/details/53615981
http://blog.csdn.net/streamchuanxi/article/details/50924549

ORB
ORB是对sift和surf的一种补充。ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来的基础上做了改进与优化。
尺度不变性（FAST特征点）：用过构建高斯金字塔。
旋转不变性（BRIEF）：采用Steer BREIF方法增加旋转不变性。
参考：
http://www.cnblogs.com/ronny/p/4083537.html

HOG
方向梯度直方图（无尺度和旋转不变性）
颜色空间转换-梯度计算（水平和垂直方向的梯度算子）-梯度方向直方图-重叠快直方图归一化-HOG。
计算相关的优化，采用积分图和积分图直方图
参考：http://blog.csdn.net/hujingshuang/article/details/47337707/

HAAR
Haar特征分为三类：边缘特征，线性特征，中心特征和对角线特征，组合成特征模板。（白色矩形像素减去黑色矩形像素和。）采用积分图加速运算
参考：
http://blog.csdn.net/zouxy09/article/details/7929570/
http://blog.csdn.net/zouxy09/article/details/7922923

LBP
局部二值模板：对灰度图像进行二值化，经典LBP算法窗口是3*3的正方形窗口，以窗口中心像素为阈值，相邻8领域像素灰度和中心像素值比较，若大于这标1或者则标0，则中心点可以由8位二进制来表示，计算256种LBP，统计直方图。
由于LBP无尺度和旋转不变性，后续有研究针对这两点进行改进。如圆形LBP算子达到旋转不变性的要求。
参考：
http://blog.csdn.net/zouxy09/article/details/7929531

以上总参考了：http://blog.csdn.net/wenhao_ir/article/details/52046569