SIFT特征原理与理解
SIFT（Scale-invariant feature transform)尺度不变特征变换
SIFT是一种用来侦测和描述影像中局部性特征的算法，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。
SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。使用 SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。
SIFT算法的特点
-
SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；
-
独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；
-
多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；
-
高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；
-
可扩展性，可以很方便的与其他形式的特征向量进行联合。
SIFT算法可以分解为如下四步
-
尺度空间极值检测：搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。
-
关键点定位：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。
-
方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。
-
关键点描述：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。