SIFT算法总结

SIFT算法由D.G.Lowe 1999年提出，2004年完善总结。代表性文献

[1]David G. Lowe, "Object recognition from local scale-invariant features," International Conference on Computer Vision, Corfu, Greece (September 1999), pp.1150-1157.

[2] David G. Lowe, "Distinctive image features from scale-invariant keypoints," International Journal of Computer Vision, 60, 2 (2004), pp. 91-110.

可以在这里找到论文和源码：http://web.engr.oregonstate.edu/~hess/index.html

David Lowe的主页： http://www.cs.ubc.ca/~lowe/home.html

1.图像多尺度表示

二维高斯函数定义：；其中 代表了高斯正态分布的方差。

一个二维图像在不同尺度下的尺度空间表示可由图像与高斯核卷积得到：

 ；（x,y）代表图像的像素坐标，为尺度空间因子，其值越小则表征该图像被平滑的越少，相应的尺度也就越小。大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征。L代表了尺度空间。

2.SIFT特征匹配算法

原理：在尺度空间进行特征检测，并确定关键（Keypoints）的位置和关键点所处的尺度，然后使用关键点领域梯度的主方向作为该点的方向特征，以实现算子对尺度和方向的无关性。

特性：

a）.SIFT特征是图像的局部特征，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、噪音也保持一定程度的稳定性。

b）.独特性好，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。

c）.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。

d）.高速型，经过优化的SIFT匹配算法甚至可达到实时的要求。

e）.可扩展性，可以很方便的与其他形式的特征向量进行联合。

3.SIFT特征向量的生成算法：
1）检测尺度空间极值点

2）精确定位极值点

3）为每个关键点指定方向参数

4）关键点描述子的生成

----------------------------------------