作者：盛淮南
链接：https://www.zhihu.com/question/45833619/answer/223930439
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
链接：https://www.zhihu.com/question/45833619/answer/223930439
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
一、三者原理上的区别
1.SIFT：Scale-Invariant Feature Taransform，尺度不变特征变换。
- 尺度空间的极值检测：搜索所有尺度空间上的图像，通过高斯微分函数来识别潜在的对尺度和旋转鲁棒性较强的点。
- 特征点定位：在每个候选位置上，通过一个拟合精细模型（尺度空间DoG函数进行曲线拟合）来确定位置尺度，关键点的选取依据他们的稳定程度。
- 特征方向赋值：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，后续的所有操作都是对于关键点的方向、尺度和位置进行变换，从而提供这些特征的不变性。
- 特征点描述：在每个特征点周围的领域内，在选定的尺度上测量图像的局部梯度，计算块内梯度直方图，生成具有独特性的向量。
2.HOG：Histogram of Oriented Gradient，方向梯度直方图。
- 颜色空间归一化：为了减少光照因素的影响， 首先需要将整个图像归一化。因为颜色信息作用不大，通常先转化为灰度图。
- 梯度计算：计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；求导操作不仅能捕获轮廓，还能进一步弱化光照的影响。
- 梯度方向直方图：将图像分成若干个cell，对cell内每个像素用梯度方向在直方图中进行加权投影（映射到固定的角度范围），就可以得到这个cell的梯度直方图。
- 将每几个cell组成一个block（例如3*3个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。
- 组成特征：将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor。
3.LBP：Local Binary Pattern，局部二值模式。
原始的LBP算子定义在像素3*3的邻域内，以邻域中心像素为阈值，相邻的8个像素的灰度值与邻域中心的像素值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经过比较可产生8位二进制数，将这8位二进制数依次排列形成一个二进制数字，这个二进制数字就是中心像素的LBP值，LBP值共有28种可能，因此LBP值有256种。中心像素的LBP值反映了该像素周围区域的纹理信息。
二、三者的优缺点及适用范围
<img src="https://pic2.zhimg.com/50/v2-a32ed84b2ba0302483bf23e60592ecf9_hd.jpg" data-rawwidth="712" data-rawheight="395" class="origin_image zh-lightbox-thumb" width="712" data-original="https://pic2.zhimg.com/v2-a32ed84b2ba0302483bf23e60592ecf9_r.jpg">
参考文献：
1.【SIFT特征详解】
2.【LBP特征原理及代码实现】