• 物体识别：SIFT 特征；
• 人脸识别：LBP 特征；
• 行人检测：HOG 特征；

0. 常见手工设计的低级别特征

manually designed low-level features

• 语音：高斯混合模型和隐马尔可夫模型；
• Gabor features for : texture classification
• Local Binary Patterns (LBP) for: face classification.
• SIFT and HOG features for: object recognition.

1. 局部特征与描述子

局部特征及其描述子，是对局部邻域的紧凑向量表示（compact vector representation），是许多计算机视觉算法的构建基石。基于局部特征使得这些计算机视觉算法能够更好地处理图像中的尺度变化，旋转以及遮挡等细节问题。常见的用于目标检测的局部特征表示方法如下：

• 针对 corner features 的：FAST, Harris, 以及 Shi & Tomasi 方法
• 针对 blob features 的：SURF 、MSER
• matlab 工具箱包含的描述子：SURF、FREAK、BRISK（Binary Robust Invariant Scalable Keypoints）

2. demo：使用 fast 检测电路图中的 corner 特征

I = imread('circuit.tif');
corners = detectFASTFeatures(I, 'mincontrast', .1);
J = insertMarker(I, corners, 'o');
imshow(J)