目标提取是指单幅图像或序列图像中将感兴趣的目标与背景分割开来，从图像中识别和解译有意义的物体实体而提取不同的图像特征的操作。目标提取是一个至关重要的环节，它直接决定后续识别和跟踪性能的好坏。现阶段，目标提取的应用范围很广，在计算机视觉提取人脸特征和指纹等，在摄影测量与遥感中，用于特征点线的提取来进行影像匹配和三维建模等。

目标提取是指单幅图像或序列图像中将感兴趣的目标与背景分割开来，从图像中识别和解译有意义的物体实体而提取不同的图像特征的操作。目标提取的应用范围很广，在计算机视觉提取人脸特征和指纹等，在摄影测量与遥感中，用于特征点线的提取来进行影像匹配和三维建模等。目标提取的方法主要有：基于参数度量的特征提取；基于非参量度量的特征提取；基于Karhumen-Loeve展开的特征提取；小波变换特征提取等。

直方图特征用数学统计方法提取目标的外观特征。举例说明提取过程：对于一幅灰度图像，将灰度值从0到255等分为8个区间，然后遍历图像的每个像素，统计分别落入每个区间的像素的个数，最后将8个区间的像素个数除以像素总和进行归一化便得到直方图特征。

为了体现目标颜色的空间信息，可采用颜色空间二维直方图——将图像分割成若干个子区域，分别在各个子区域内统计颜色分布信息。将图像分割的块数越多越能体现目标颜色的空间信息，但是增大特征的存储空间，使跟踪性能下降。

RGB（红绿蓝）是依据人眼识别的颜色定义出的空间，可表示大部分颜色。但在科学研究一般不采用RGB颜色空间，因为它的细节难以进行数字化的调整。它将色调，亮度，饱和度三个量放在一起表示，很难分开。它是最通用的面向硬件的彩色模型。该模型用于彩色监视器和一大类彩色视频摄像。

HSV颜色空间是一种面向视觉感知的颜色模型。H——色调，以角度表示；S——饱和度，V——亮度，二者取值都在0到1之间。HSV颜色空间袋额两大特点：亮度分量与图像的彩色信息无关；色调和饱和度分量与人感受颜色的方式是紧密相连的。HSV直接对应人眼色彩视觉特性的三要素，通道之间各自独立，可以被独立感知各颜色分量的变化，其中色调分量尤其影响人的视觉判断。

视觉系统中的一个重要问题就是从图像中识别代表物体的区域（或子图像），为将物体区域同图像其它区域分离出来，首先需要对图像进行处理。把图像划分成区域的过程叫做分割，即把图像划分成区域P1、P2、P3……Pk，使得每一个区域对应一个候选的物体。对于二值视觉，分割和阈值化是同义的。通过阈值运算是否可以有效地进行图像分割，取决于物体和背景之间是否有足够的对比度。数字图像的阈值分割是一种广泛使用的图像分割技术， 利用图像中要提取的目标物体与背景在灰度特性上的差异， 从而把图像视为具有不同灰度等级的两类区域的组合。选取一个合适的阈值，将图像中的每一个象素点与该阈值比较，确定图像中各个像素点应该属于目标区域，还是属于背景区域，从而得到相应的二值图像。阈值算法与应用领域密切相关。事实上，某一阈值运算

常常是为某一应用专门设计的，在其它领域可能无法应用。阈值的选择一般是基于某一应用领域获取的先验知识，因此在某一些场合，前几轮通常采用交互式方式来分析图像，以便于确定合适的阈值。但是，在计算机图像处理中，由于计算机自主性能的要求，这就必须进行自动阈值选择，由计算机选择合适的阈值，对图像进行分割。

阈值分割法的特点是：（1）原理清晰、易懂（2）算法实现简单、清楚，运算量小（3）分割效果较好，对于对比度分明、反差大的图像分割效果几乎与其它大运算量的方法相当阈值的选择要本着以下的原则： 背景区域尽可能的包含与背景相关联的灰度级， 而物体区域则应包含物体的所有灰度级。

阈值分割的关键在于如何选择阈值。人们对这一课题已进行了广泛而深入的研究， 提出了多种自动选取阈值的方法，如直方图阈值、最大类间方差阈值、二维最大熵阈值、模糊阈值、模糊C 均值法、共生矩阵阈值等。尽管阈值选取的方法很多， 但迄今还未找到一种对所有图像都可以进行有效分割的方法， 某一种阈值分割的方法只能适用于某一类或几类图像。

三维点云的目标提取关键性的两步为：特征提取与选择、分类，是不是整个方法流程与图像中的目标识别有点像。本质上看，凡是涉及到目标识别，其方法流程大体是相同的。为什么要搞特征提取，因为我们要识别的目标一般是在一个大场景下，各种目标相互混杂，既然要对某个目标进行识别，当然就需要有一个指标或者数值来最大化不同目标之前的区别，这个指标或者数值就是所谓的目标特征了。所以我们在对目标进行识别时，往往要采用适合本目标的特征。就比如说图像识别中的卷积神经网络CNN，为什么它比用传统通过手工设计的特征进行识别的识别率要高一大截，本质原因就是CNN的特征是通过学习得到的，而且特征表示与分类器是联合优化的。分类器就不累赘了，SVM、boosting、决策树等等。