什么是 Feature Desciptor / 特征描述子

Feature Desciptor / 特征描述子 从图像中提取有用信息，剔除无关信息；

典型的，特征描述子从将一张 宽度 * 高度 * 3 ( 通道数 ) 大小的图像，提取出长度为 n 的 Feature Vector / 特征向量 或者 Feature Array / 特征矩阵；

比如 HOG 特征描述子会从一张 64 * 128 * 3 的图像中提取出长度为 3780 的特征向量；

请记住， HOG 的特征描述子也可以计算其他尺寸，但是这篇文章中，我使用上述尺寸，以便你能够轻松的理解概念。

这些概念听起来都挺不错，但是哪些是“有用的信息”，有些又是“无用的信息"？

定义“有用的信息”，我们需要知道有用的信息用来干什么的；

很明显，通过特征向量用来浏览图像是没用的，但是在图像识别或者目标检测中，特征向量会变得很有用；

在一些图像分类算法中比如 SVM，Support Vector Machine，支持向量机 中，用特征向量进行分类会达到很好的结果。

但是在分类任务中，哪些特征是有用的呢？ 

我们借助下面的例子来讨论，比如现在我们想通过一个目标检测器，可以检测衬衫和大衣的纽扣；

一个纽扣是一个圆形（图片中也有可能看起来像是椭圆），一般来说有几个孔，用于缝到衣服上面；

你可以在纽扣的图像上使用一个 Edge detector / 边缘检测器，可以轻松通过检测边缘来辨别它是不是一个纽扣；

这个例子中，边缘信息是“有用的”而颜色信息是 ”无用的“；

除此之外，特征也需要有足够特殊的地方。比如一个好的特征，应该能够让你辨别出纽扣和其他圆形的物体，比如硬币和汽车轮胎。