SIFT特征（一）

1. SIFT特征简介
SIFT（Scale Invariant Feature Transform，尺度不变特征变换）是一种检测图像局部特征的方法，1999年由哥伦比亚大学教授David Lowe提出，此后计算机视觉的世界几乎在一夜之间发生了改变。
SIFT特征具有尺度、旋转不变性，同时对视角变换，光照、噪音影响，目标遮挡等因素具有很好的鲁棒性。比如，当你通过旋转照相机对同一物体拍摄角度不同的多张图像时，这些图像的对应点的SIFT描述符具有很高的相似度。
另外，SIFT特征具有较好的独特性（Distinctive），这种特异性使得对于某一SIFT特征向量，在大量SIFT特征库中，具有较高可能性地得以正确匹配，这种特异性使得SIFT特征可以很好地应用在检测和识别领域。

2. SIFT特征提取步骤
Part A. 构建尺度空间
Part B. 检测并筛选关键点（keypoints）
Part C. 关键点方向赋值
Part D. 关键点的特征描述
这里介绍几篇其他比较好的博客可以同时参考下，
http://www.cnblogs.com/ronny/p/4028776.html?utm_source=tuicool&utm_medium=referral
http://blog.csdn.net/zddblog/article/details/7521424

接下来，将针对各个步骤的具体思想进行解读，并在每一篇的末尾针对opencv中的源码进行解读。

3. 构建尺度空间
3.1 什么是尺度空间，为何使用尺度空间？
尺度空间是用来模拟图像多尺度特征而提出的理论。要明白为什么使用尺度空间，我们首先需要理解对于一幅待检测的图像，什么样的特征被提取后，才可以具有较好的稳定性，也就是说当待检测图像中的检测物体因照相机拍摄角度、或者因物体尺寸大小、以及其他光照噪声影响时，我们使用的特征仍然不会被较多影响。
检测描述特征一般具有一些良好的性质，如局部不变性。局部不变性一般包括两个方面的内容：尺度不变性和旋转不变性。尺度不变性是指，当人们在识别一个物体时，不论物体或远或近，都能够对其进行正确的辨认。旋转不变性是指，当物体发生旋转时，人们同样可以对其进行正确的辨认。但实际上，对于机器而言，当尺度或角度发生改变时，却没有人类这种强大的辨认能力。因此，为了正确检测物体，我们需要设计算法，模拟不同的尺度空间提取特征。（关于旋转不变性的实现，在后面章节中会提到）

3.2 如何实现尺度空间
相关理论证明（by Koenderink（1984）andLindeberg（1994）），高斯核可以模拟实现不同的尺度空间（也就是说高斯卷积核是尺度空间的一种表现形式）。因此，定义一幅图像$I(x,y)$ 的尺度空间$L(x,y,\sigma)$ 为该图像的高斯卷积,

$$L(x,y,\sigma)=G(x,y,\sigma)*I(x,y)$$
其中，高斯卷积核为如下公式， $\sigma$ 为尺度因子， $\sigma$ 越小，图像越清晰，表示图像细节特征较多； $\sigma$ 越大，图像越模糊，表示图像概貌特征越多。

G(x,y,σ