SIFT特征匹配学习

一.SIFT特征原理描述

SIFT（Scale-invariant feature transform，尺度不变特征变换）包括兴趣点检测器和描述子，其具有非常强的稳健性，对于尺度、旋转和亮度都具有不变性，因此也用于三维视角和噪声的可靠匹配。此算法由 David Lowe在1999年所发表，2004年完善总结。
SIFT算法具有如下一些特点：
a.SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；
b. 区分性（Distinctiveness）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.高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；
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。
SIFT主要有三个流程：
1、提取关键点；
1.1 关键点
一些十分突出的点不会因光照、尺度、旋转等因素的改变而消失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点
1.2 尺度空间理论
基本思想：通过对原始图像进行尺度变换，获得图像多尺度下的空间表示。而实现边缘、角点检测和不同分辨率上的特征提取，以满足特征点的尺度不变性。一个图像的尺度空间，定义为一个变化尺度的高斯函数与原图像的卷积。

其中，*表示卷积运算

1.3 高斯模糊：使照片呈现不同的模糊程度，但整体的像素没有变，依然可以找到灰度值突变的点。
1.4 金字塔降采样：若对一张图片进行降采样，其像素点就会减少，图片尺寸也会随之变小。那么给人的感觉就好比一个金字塔。先进行图片模糊平滑，再降采样，根据降采样率不同从而获得的一系列尺寸逐渐变小的图片，其处理速度快，占用的存储空间小。
1.5 LOG（高斯拉普拉斯图像） 先将照片降采样，得到了不同分辨率下的图像金字塔。再对每层图像进行高斯卷积。这样一来，原本的图像金字塔每层只有一张图像，而卷积后，每层又增加了多张不同模糊程度下的照片。
1.6 DOG（高斯差分）在获得LOG图像后，用其相邻的图像进行相减，得到所有图像重新构造的金字塔就是DOG金字塔。
2、对关键点附加详细的信息（局部特征），即描述符；
2.1 关键点方向匹配
主方向：极值点周围区域梯度直方图的主峰值
辅方向：在梯度方向直方图中，当存在另一个相当于主峰值
2.2 关键点描述
a 确定描述子采样区域：在获得了赋值后的SIFT特征点，包含位置、尺度、方向等信息后，我们将用一组向量将关键点描述出来。特征描述子与特征点所在的尺度有关，因此，对梯度的求取应在特征点对应的高斯图像上进行。

b 生成描述子 ：为了保证特征矢量具有旋转不变性，需要以特征点为中心，将特征点附近邻域内(mσ(Bp+ 1)√2 x mσ(Bp+ 1)√2)图像梯度的位置和方向旋转一个方向角θ，即将原图像x轴转到与主方向相同的方向。旋转公式如下：

在特征点附近邻域图像梯度的位置和方向旋转后，再以特征点为中心，在旋转后的图像中取一个mσBp x mσBp大小的图像区域。并将它等间隔划分成Bp X Bp个子区域，每个间隔为mσ像元。
3、通过特征点（附带上特征向量的关键点）的两两比较找出相互匹配的若干对特征点，建立景物间的对应关系，目标的识别是通过两点集内关键点描述子的比对来完成。

二.SIFT特征匹配实验