图像特征提取在图像识别的过程中起到了决定性的作用。图像特征提取主要包括：图像颜色或灰度特征的提取、代数特征的提取、边缘纹理特征的提取、变换系数和滤波器系数特征的提取。在早期的视觉特征研究中，大多数研究者采取的方法是从整幅图像的角度出发提取图像的颜色、纹理和形状等一些全局特征，在此基础上进行图像分类和检索等处理。因为全局特征的提取会受到背景干扰、物体遮挡和成像视角等因素的影响，所以很难达到完全地识别一些复杂图像中的目标。然而，局部特征的出现在一定程度上解决了上述问题。局部特征的优点表现为在不涉及图像语义分割的情况下，它能够捕获对象和场景的结构或者属性信息，提供了一种具有统计意义的图形内容表示。局部特征的描述符多种多样，论文网包括使用积分图技术的SURF[11]和基于霍夫编码的CHOG[12]等。目前，越来越多的学者将机器学习技术应用到局部特征描述符的训练过程中，从而训练得到描述性能更加优越的描述符。比如，Cai等[13]利用线性判别投影技术对高文的局部块活着SIFT进行降文以提高它们的判别性。Brown等[14]将局部描述符设计为一系列模块的有序组合，然后通过调参，使得描述符具有最佳的匹配性能。Simonyan等[15]在 Brown等人的基础上对描述符做了一些转化处理，成为一种新的局部特征描述符。29836 图像特征提取技术研究现状:http://www.751com.cn/yanjiu/lunwen_25242.html