SIFT特征检测

Lowe提出的SIFT（Scale Invariant Feature Transform）是计算机视觉里影响力非常大的一个算法，其使用LOG的近似算法DOG（Difference of Gaussians）实现快速特征检测，然后对待选点进行位置的精调和筛选，最后考察其邻域，获得特征的矢量性描述。

SIFT特征效率高（优化后能达到实时的效果），具有尺度不变性、旋转不变性、部分的仿射不变性。

1. 理论

总的来说，SIFT主要分为以下4个步骤[1]：

（1）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（近似）来识别潜在的对于尺度和旋转不变的兴趣点。

（2）关键点的定位：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。

（3）方向的确定：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。

（4）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。

尺度空间极值检测

出发点与LOG一样，为了使特征具有尺度不变性。

SIFT首先建立图像金字塔：将金字塔分成O组，每一组称为一个Octave；每一个Octave又分成S层，每层的图像是由不同方差的高斯滤波器滤波的结果（越往上图像越模糊）；每一个Octave的底层图像由上一个Octave的第S层图像高宽下2采样得到（缩小1/4）；然后对高斯塔相邻两层做差得到DOG响应金字塔（是对LOG的近似）

图1-1. 图像金字塔

如图1-1，由图片大小决定Octave的数目（Rob Hess代码默认当图片缩小到4个像素则停止），每Octave的层数设为3-5层（代码默认3）；对于第 i 个（i=1...）Octave的第 n 层（n=1...S）图片，其对应的高斯尺度为