SIFT特征匹配+RANSAC滤除

SIFT原理介绍

步骤分为两步：

1. 特征点检出
2. 特征点描述

特征点检出

主要是用了DoG，就是把图像做不同程度的高斯模糊blur，平滑的区域或点肯定变化不大，而纹理复杂的比如边缘，点，角之类区域肯定变化很大，这样变化很大的点就是特征点。当然为了找到足够的点，还需要把图像放大缩小几倍（Image Pyramids）来重复这个步骤找特征点。可代替特征点检出的还有很多其他方法，如MSER等。

1. 候选关键点
   Koenderink（1984）和Lindeberg（1994）已经证明，在各种合理的假设下，高斯函数是唯一可能的尺度空间核。因此，图像的尺度空间被定义为函数​，它是由一个可变尺度的高斯核和输入图像生成， ​ 其中高斯核为， ​ 为了有效检测尺度空间中稳定的极点，Lowe于1999年提出在高斯差分函数(DOG)中使用尺度空间极值与图像做卷积，这可以通过由常数乘法因子​分隔的两个相邻尺度的差来计算。用公式表示就是， ​ 由于平滑区域临近像素之间变化不大，但是在边、角、点这些特征较丰富的地方变化较大，因此通过DOG比较临近像素可以检测出候选关键点。
   
   （1）Octave组数 = [log₂(min(M, N))] - 3，层数S = n + 3，其中n代表想要在DO