介紹
與線特徵、紋理特徵、結構特徵等全局圖像特徵相比，局部圖像特徵具有在圖像中蘊含數量豐富 ，特徵間相關度小，遮擋情況下不會因為部分特徵的消失而影響其他特徵的檢測和匹配等特點。近年來 ，局部圖像特徵在人臉識別 、三維重建、目標識別及跟蹤 、影視製作 、全景圖像拼接 等領域得到了廣泛的套用。典型的局部圖像特徵生成應包括圖像極值點檢測和描述兩個階段。好的局部圖像特徵應具有特徵檢測重複率高、速度快 ,特徵描述對光照、旋轉、視點變化等圖像變換具有魯棒性，特徵描述符維度低，易於實現快速匹配等特點。
種類
SIFT特徵
SIFT，即尺度不變特徵變換，是用於圖像處理領域的一種描述。這種描述具有尺度不變性，可在圖像中檢測出關鍵點，是一種局部特徵描述子。SIFT特徵是圖像的局部特徵，其對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩定性。
SURF特徵
2006年，Bay和Ess等人基於SIFT算法的思路，提出了加速魯棒特徵（SURF），該算法主要針對於SIFT算法速度太慢，計算量大的缺點，使用了近似Harr小波方法來提取特徵點，這種方法就是基於Hessian行列式（DoH）的斑點特徵檢測方法。通過在不同的尺度上利用積分圖像可以有效地計算出近似Harr小波值，簡化了二階微分模板的構建，搞高了尺度空間的特徵檢測的效率。
DAISY特徵
DAISY是面向稠密特徵提取的可快速計算的局部圖像特徵描述子，它本質思想和SIFT是一樣的：分塊統計梯度方向直方圖，不同的是，DAISY在分塊策略上進行了改進，利用高斯卷積來進行梯度方向直方圖的分塊匯聚，這樣利用高斯卷積的可快速計算性就可以快速稠密地進行特徵描述子的提取。比較巧合的是，DAISY這種特徵匯聚策略被一些研究者通過機器學習的方法證明相對於其他幾種特徵匯聚策略（卡迪爾坐標下分塊、極坐標下分塊）是最優的。
發展現狀及趨勢
局部圖像特徵的提取通常是作為計算機視覺與數字圖像處理中許多問題的第一步，例如圖像分類、圖像檢索、寬基線匹配等，提取特徵的優劣直接影響任務的最終性能。因此，局部特徵提取方法具有重要的研究價值。然而，圖像經常發生尺度、平移、旋轉、光照、視角以及模糊等變化，特別是在實際套用場景中，圖像不可避免的會存在較大噪聲干擾、複雜背景和較大的目標姿態變化。這就給圖像局部特徵提取問題帶來了更大的挑戰。因此，局部圖像特徵的研究仍然具有重要的理論意義和套用價值，值得研究者繼續關注。
