角點(diǎn)是圖像中灰度值發(fā)生劇烈變化、且變化方向不唯一的點(diǎn)，是目標(biāo)輪廓的關(guān)鍵轉(zhuǎn)折點(diǎn)，也是目標(biāo)最具代表性的特征點(diǎn)——例如，人臉的眼角、嘴角、鼻尖，車輛的邊角，物體的頂點(diǎn)等。角點(diǎn)特征的核心價(jià)值是：能夠快速定位目標(biāo)的關(guān)鍵位置，為后續(xù)目標(biāo)識(shí)別、目標(biāo)跟蹤、圖像匹配等任務(wù)提供支撐；輪廓特征則是角點(diǎn)、邊緣的集合，能夠完整表征目標(biāo)的外形輪廓，是區(qū)分不同目標(biāo)的重要依據(jù)。

傳統(tǒng)角點(diǎn)與輪廓特征提取的經(jīng)典算法主要有兩類：

1. 角點(diǎn)特征提?。航?jīng)典算法為SIFT算子（尺度不變特征變換）和SURF算子（加速穩(wěn)健特征）。SIFT算子的核心原理是：具備尺度不變性和旋轉(zhuǎn)不變性，能夠在不同尺度、不同旋轉(zhuǎn)角度的圖像中，穩(wěn)定提取角點(diǎn)特征。具體步驟分為：尺度空間構(gòu)建（通過(guò)高斯差分金字塔，模擬人眼在不同距離下觀察圖像的效果，捕捉不同尺度的角點(diǎn)）、角點(diǎn)檢測(cè)（在尺度空間中，檢測(cè)灰度值的局部極值點(diǎn)，確定角點(diǎn)的初步位置）、角點(diǎn)定位（剔除虛假角點(diǎn)和不穩(wěn)定角點(diǎn)，精準(zhǔn)定位角點(diǎn)的坐標(biāo)）、方向賦值（為每個(gè)角點(diǎn)分配一個(gè)主方向，確保旋轉(zhuǎn)不變性）、特征描述子生成（圍繞角點(diǎn)選取局部區(qū)域，提取梯度信息，構(gòu)建128維特征向量）。SIFT算子的優(yōu)勢(shì)是抗干擾能力強(qiáng)，具備尺度不變性、旋轉(zhuǎn)不變性、光照不變性，能夠在復(fù)雜場(chǎng)景中穩(wěn)定提取角點(diǎn)特征，廣泛應(yīng)用于圖像匹配、目標(biāo)跟蹤、全景拼接、三維重建等場(chǎng)景；局限性是計(jì)算量極大，實(shí)時(shí)性較差，難以應(yīng)用于實(shí)時(shí)性要求較高的場(chǎng)景。

SURF算子是SIFT算子的改進(jìn)版，核心原理與SIFT算子類似，通過(guò)簡(jiǎn)化尺度空間構(gòu)建和特征描述子生成的步驟，提升特征提取速度。SURF算子采用積分圖像計(jì)算高斯差分，替代SIFT算子的高斯差分金字塔，大幅降低計(jì)算量；同時(shí)，采用64維特征向量替代SIFT算子的128維特征向量，進(jìn)一步提升計(jì)算效率。SURF算子的優(yōu)勢(shì)是速度快，具備尺度不變性、旋轉(zhuǎn)不變性，抗干擾能力較強(qiáng)，兼顧了性能和實(shí)時(shí)性，廣泛應(yīng)用于實(shí)時(shí)圖像匹配、實(shí)時(shí)目標(biāo)跟蹤、移動(dòng)端視覺(jué)應(yīng)用等場(chǎng)景；局限性是對(duì)細(xì)微角點(diǎn)的提取精度略低于SIFT算子。

2. 輪廓特征提?。汉诵脑硎窃谶吘壧卣魈崛〉幕A(chǔ)上，通過(guò)輪廓跟蹤、輪廓篩選、輪廓描述等步驟，提取目標(biāo)的完整輪廓，并將其轉(zhuǎn)化為可量化的特征向量。具體步驟分為：第一步，通過(guò)Canny算子、Sobel算子等邊緣提取算法，提取圖像的邊緣信息；第二步，輪廓跟蹤，遍歷邊緣像素，連接相鄰的邊緣像素，形成完整的輪廓線，剔除離散的邊緣像素；第三步，輪廓篩選，根據(jù)輪廓的面積、周長(zhǎng)、形狀等參數(shù)，剔除虛假輪廓（如噪聲導(dǎo)致的小輪廓）和冗余輪廓，保留目標(biāo)的核心輪廓；第四步，輪廓描述，將輪廓轉(zhuǎn)化為量化特征（如輪廓的矩特征、傅里葉描述子），構(gòu)建輪廓特征向量，用于后續(xù)目標(biāo)識(shí)別和分類。輪廓特征提取的優(yōu)勢(shì)是能夠完整表征目標(biāo)的外形，區(qū)分外形差異較大的目標(biāo)，廣泛應(yīng)用于目標(biāo)識(shí)別（如車輛識(shí)別、動(dòng)物識(shí)別）、工業(yè)零件輪廓檢測(cè)、醫(yī)學(xué)影像目標(biāo)輪廓提?。ㄈ缙鞴佥喞崛。┑葓?chǎng)景；局限性是對(duì)目標(biāo)的遮擋、變形較為敏感，當(dāng)目標(biāo)出現(xiàn)部分遮擋或姿態(tài)變形時(shí)，輪廓會(huì)被破壞，提取效果下降。

總體而言，傳統(tǒng)特征提取技術(shù)的核心優(yōu)勢(shì)是原理簡(jiǎn)單、計(jì)算量適中、部署門(mén)檻低，無(wú)需海量數(shù)據(jù)和強(qiáng)大算力，在簡(jiǎn)單場(chǎng)景、實(shí)時(shí)性要求較高、算力有限的場(chǎng)景中仍有一定的應(yīng)用價(jià)值。但其核心局限性是“人工依賴度高”——特征描述子的設(shè)計(jì)完全依賴研究者的專業(yè)經(jīng)驗(yàn)，無(wú)法捕捉目標(biāo)的深層語(yǔ)義信息，泛化能力和抗干擾能力較弱，難以適配復(fù)雜場(chǎng)景（如多目標(biāo)共存、目標(biāo)遮擋、光照劇烈變化）的應(yīng)用需求，這也推動(dòng)了特征提取技術(shù)向深度學(xué)習(xí)方向演進(jìn)。