特征识别的综述 && SIFT算法

综述整理

https://www.cnblogs.com/wangguchangqing/p/8076061.html
特征点概述
为了能够更好的进行图像匹配，需要在图像中选择具有代表性的区域，例如：图像中的角点（数学上，角点一般是指大曲率点或曲率无穷大点）、边缘和一些区块，但在图像识别出角点是最容易，也就是说角点的辨识度是最高的。所以，在很多的计算机视觉处理中，都是提取交掉作为特征，对图像进行匹配，例如SFM，视觉SLAM等。
但是，单纯的角点并不能很好的满足我们的需求。例如：相机从远处得到的是角点，但是在近处就可能不是角点；或者，当相机旋转后，角点就发生了变化。为此，计算机视觉的研究者们设计了许多更为稳定的的特征点，这些特征点不会随着相机的移动，旋转或者光照的变化而变化。例如：SIFT,SURF,ORB等。

常用的特征点算法，如SIFT,SURF，FAST等*

OpenCV3中特征点的提取和匹配

SIFT

一、生成高斯差分金字塔（DOG金字塔），尺度空间构建

1. 尺度空间

深入浅出聊尺度空间 参考博客1
深入浅出聊尺度空间 参考博客2
　　尺度空间多为多尺度技术的分支和作为金字塔概念的延伸与发展，一般尺度的概念可以有以下几种表示：
　　1 以图像分辨率作为评判准则(图像在多分辨率情况下展示的物体)。
　　2 人眼观察图像轮廓大小的标准。
　　3 观察物体距离的远近作为判断标准。
　　4 滤波卷积核参数作为判断标准。
　　计算机视觉中的多尺度技术想要表达的基本思想是大尺度情况下图像模糊轮廓形状是小尺度情况下图像轮廓形状的采样。

2.