图像的特征提取和分析是计算机视觉的重要研究内容,广泛应用于目标识别、图像分类和匹配、人脸识别等领域。浮点型特征占用很大的存储空间和计算代价,已经不能满足日益增长的大规模图像数据处理的要求。二进制描述符由于其计算简单和高效性,在图像处理和计算机视觉领域有广泛的应用前景。但是传统的二进制描述子对噪声比较敏感,量化过程过于简单,丢失了很多细节信息,缺乏足够的判别能力,在性能上与浮点型特征仍然存在差距。以目标识别作为应用背景,分析比较了各种二进制描述子并对其进行了改进,提出了几种基于区域不变量的局部二值特征。分析了所有仿射不变区域的8邻域像素与中心像素灰度差值分布情况,发现其近似服从零均值的高斯分布,提出了一种基于灰度差值自适应量化的局部二值模式。为了包含更多的空间结构信息并提高对光照变化的鲁棒性,使用了基于灰度序的方法对仿射区域分块取代矩形分块。由于所有仿射区域的灰度差近似于一个零均值的高斯分布,以图像所有仿射区域灰度差分布的方差为阈值建立自适应量化等级,使用了动态阈值提高了描述子对噪声的鲁棒性和判别能力。为了使描述子对旋转变化有较好的鲁棒性,采取旋转不变采样的方式采样像素点并求得它与邻域中心像素的灰度差值,排序后并映射成二进制描述子,统计对应十进制数的频率分布形成直方图特征。同时使用了多尺度特征描述进一步提高了特征描述符的判别能力,通过改变仿射区域大小,将大小不同区域的描述符串联起来形成多尺度的特征作为图像仿射区域的特征描述。基于关键点的局部特征描述了图像在各种变化下稳定区域的特征,但没有考虑图像的全局结构信息。由于整幅图像中8邻域像素与中心像素的灰度差值的分布也是近似符合零均值的高斯分布,因此提出了以图像总体梯度方差为阈值的的基于梯度排序的二值模式来描述图像的全局特征。首先将整幅图像按灰度值分布分成若干个子区域,在每个子区域中分别计算8邻域梯度大小并对梯度进行排序,然后映射成二进制描述子,再用类似LBP的方法转换成十进制数,统计频率分布得到直方图,并且采用了多尺度原理改变邻域大小求得对应尺度下的特征描述,最后把多个尺度下的特征连接起来作为图像的全局特征描述符。与局部特征相比,能更好地保留目标的全局空间结构关系。二进制描述子对灰度差值使用了简单的二值量化,量化等级太简单,不适合直接用作目标识别中的特征提取。由于高阶位平面上反映了图像的主要内容,并且对噪声有较好的鲁棒性,因此提出了在高阶位平面提取目标的全局特征的二进制描述子。首先将图像按灰度值分布分成若干个子区域,对每个子区域的像素来说,对其邻域的灰度值进行排序,提取4个重要位平面,然后对位平面上的像素按灰度值排列形成二进制描述子,这样可以使描述符对旋转变化有较好的鲁棒性,并与位平面每个邻域中心像素形成联合直方图特征。位平面上直接提取二进制特征避免了在量化形成二值特征过程中信息的丢失,提高了描述符的判别能力。采用了多尺度原理改变邻域大小求得多尺度下的特征描述,在较大尺度下先对邻域像素执行均值操作再提取高阶位平面,使得描述符对噪声有一定的鲁棒性,并且可以获得更多的局部信息,最后把多个尺度下的特征连接起来作为图像的全局特征描述符。描述符对光照变化、旋转变化和尺度变化有较好的鲁棒性,提出了基于二进制描述子的图像相似性度量方法和目标识别算法。在三个目标识别图像库上进行了测试获得了较高的准确率,实验结果表明我们的特征描述符要优于现有的二进制描述子和浮点型特征SIFT。