角点与轮廓特征提取：捕捉目标的关键特征点，实现目标定位

角点是图像中灰度值发生剧烈变化、且变化方向不唯一的点，是目标轮廓的关键转折点，也是目标最具代表性的特征点——例如，人脸的眼角、嘴角、鼻尖，车辆的边角，物体的顶点等。角点特征的核心价值是：能够快速定位目标的关键位置，为后续目标识别、目标跟踪、图像匹配等任务提供支撑；轮廓特征则是角点、边缘的集合，能够完整表征目标的外形轮廓，是区分不同目标的重要依据。

传统角点与轮廓特征提取的经典算法主要有两类：

1. 角点特征提取：经典算法为SIFT算子（尺度不变特征变换）和SURF算子（加速稳健特征）。SIFT算子的核心原理是：具备尺度不变性和旋转不变性，能够在不同尺度、不同旋转角度的图像中，稳定提取角点特征。具体步骤分为：尺度空间构建（通过高斯差分金字塔，模拟人眼在不同距离下观察图像的效果，捕捉不同尺度的角点）、角点检测（在尺度空间中，检测灰度值的局部极值点，确定角点的初步位置）、角点定位（剔除虚假角点和不稳定角点，精准定位角点的坐标）、方向赋值（为每个角点分配一个主方向，确保旋转不变性）、特征描述子生成（围绕角点选取局部区域，提取梯度信息，构建128维特征向量）。SIFT算子的优势是抗干扰能力强，具备尺度不变性、旋转不变性、光照不变性，能够在复杂场景中稳定提取角点特征，广泛应用于图像匹配、目标跟踪、全景拼接、三维重建等场景；局限性是计算量极大，实时性较差，难以应用于实时性要求较高的场景。

SURF算子是SIFT算子的改进版，核心原理与SIFT算子类似，通过简化尺度空间构建和特征描述子生成的步骤，提升特征提取速度。SURF算子采用积分图像计算高斯差分，替代SIFT算子的高斯差分金字塔，大幅降低计算量；同时，采用64维特征向量替代SIFT算子的128维特征向量，进一步提升计算效率。SURF算子的优势是速度快，具备尺度不变性、旋转不变性，抗干扰能力较强，兼顾了性能和实时性，广泛应用于实时图像匹配、实时目标跟踪、移动端视觉应用等场景；局限性是对细微角点的提取精度略低于SIFT算子。

2. 轮廓特征提取：核心原理是在边缘特征提取的基础上，通过轮廓跟踪、轮廓筛选、轮廓描述等步骤，提取目标的完整轮廓，并将其转化为可量化的特征向量。具体步骤分为：第一步，通过Canny算子、Sobel算子等边缘提取算法，提取图像的边缘信息；第二步，轮廓跟踪，遍历边缘像素，连接相邻的边缘像素，形成完整的轮廓线，剔除离散的边缘像素；第三步，轮廓筛选，根据轮廓的面积、周长、形状等参数，剔除虚假轮廓（如噪声导致的小轮廓）和冗余轮廓，保留目标的核心轮廓；第四步，轮廓描述，将轮廓转化为量化特征（如轮廓的矩特征、傅里叶描述子），构建轮廓特征向量，用于后续目标识别和分类。轮廓特征提取的优势是能够完整表征目标的外形，区分外形差异较大的目标，广泛应用于目标识别（如车辆识别、动物识别）、工业零件轮廓检测、医学影像目标轮廓提取（如器官轮廓提取）等场景；局限性是对目标的遮挡、变形较为敏感，当目标出现部分遮挡或姿态变形时，轮廓会被破坏，提取效果下降。

总体而言，传统特征提取技术的核心优势是原理简单、计算量适中、部署门槛低，无需海量数据和强大算力，在简单场景、实时性要求较高、算力有限的场景中仍有一定的应用价值。但其核心局限性是“人工依赖度高”——特征描述子的设计完全依赖研究者的专业经验，无法捕捉目标的深层语义信息，泛化能力和抗干扰能力较弱，难以适配复杂场景（如多目标共存、目标遮挡、光照剧烈变化）的应用需求，这也推动了特征提取技术向深度学习方向演进。