计算机视觉中的特征是图像或视频中可识别的部分，它为对象检测、跟踪或分类等任务传达有意义的信息。特征通常是独特的模式，例如边缘、角落、纹理或特定形状，算法使用这些模式来理解和分析视觉数据。例如，在汽车照片中，特征可能包括挡风玻璃的边缘、车牌的角落或轮胎的纹理。这些特征通过关注与解决问题相关的关键元素来降低原始像素数据的复杂性。通过提取和比较特征，算法可以识别对象、匹配图像或检测视频帧之间的变化。
传统特征提取方法依赖于数学技术来识别和描述这些关键点。诸如 SIFT（尺度不变特征变换）或 ORB（定向快速和旋转 BRIEF）之类的算法通过分析图像中的梯度、角点或斑点来检测稳定特征。例如，SIFT 识别即使图像缩放或旋转也能保持一致的特征，使其可用于全景图像拼接等任务。一旦检测到特征，它们通常表示为编码其视觉属性的数值向量（描述符）。这些描述符允许算法有效地比较图像之间的特征——例如匹配从不同角度拍摄的同一场景的两张照片中的关键点。然而，这些方法需要手动调整，并且可能难以处理复杂或嘈杂的数据，例如低光图像或遮挡的对象。
现代方法，特别是深度学习，使用卷积神经网络 (CNN) 自动化特征提取。在 CNN 中，层直接从数据中学习分层特征。早期层检测简单的模式，如边缘或颜色梯度，而更深层则将这些模式组合以识别复杂的形状或对象。例如，在动物图像上训练的 CNN 可能会学习检测眼睛或皮毛纹理作为中间特征。这种数据驱动的方法消除了手工设计特征的需要，并适应了从医学影像到自动驾驶的各种场景。PyTorch 或 TensorFlow 等库提供预训练模型（例如 ResNet），开发人员可以针对特定任务进行微调，利用学习到的特征而无需从头开始。虽然计算密集，但对于大型数据集，此方法通常在准确性和可扩展性方面优于传统技术。