特征提取的意义
特征是图像的信息摘要，代表关键视觉属性。好的特征应具有区分性、鲁棒性、紧凑性。特征提取是CV任务的核心环节。
传统手工特征
SIFT：尺度不变特征变换
SIFT检测关键点并计算局部特征描述子。特性：尺度不变、旋转不变、光照鲁棒。应用：图像匹配、物体识别。
HOG：方向梯度直方图
HOG统计局部区域的梯度方向分布。捕捉物体轮廓和形状信息。经典应用：行人检测。
其他特征
- LBP：局部二值模式，纹理描述
- SURF：SIFT加速版，计算更快
- ORB： Oriented FAST + Rotated BRIEF，实时应用
深度学习特征
CNN自动学习层次化特征：底层边缘纹理→中层部件形状→高层语义概念。无需手工设计，泛化能力强。
预训练模型(ResNet、ViT)的特征作为下游任务输入，迁移学习效果好。
特征选择
实时应用用ORB等轻量特征；高精度任务用深度特征；传统方法在特定场景仍有价值。
从手工设计到自动学习，特征提取的技术演进反映CV的发展脉络。