基于古老的Marr视觉理论，视觉识别和场景重建的基础即第一阶段为局部显著性探测。探测到的主要特征为直觉上可刺激底层视觉的局部显著性——特征点、特征线、特征块。
相关介绍：局部特征显著性—点特征（SIFT为例）
五、GLOH特征（梯度位置方向直方图）
2005年MIko等人提出的SIFT的变子，改进为关键点周围的区间划分，由田字格划分修改为 八象限圆格划分，如下图：
在很大的一个训练集上训练得到PCA模型，再将272维直方图映射到一个128维的描述子。在整体的测试中，比SIFT性能有显著的提高。
GLOH以 建立训练模型的方式对特征描述施加影响，在一般情况下可以学习到特定领域图像的特征流形分布，比SIFT要好很多；对于更为广泛的应用，其性能也会受到预训练影响。
参考资料：
GLOH Wiki百科:
https://en.wikipedia.org/wiki/GLOH
GLOH原始论文:
Krystian Mikolajczyk and Cordelia Schmid "A performance evaluation of local descriptors", IEEE Transactions on Pattern Analysis and Machine Intelligence, 10, 27, pp 1615--1630, 2005.