CV理论基础（三）：基于关键点的特征描述子sift、surf、orb等；LBP、Gabor

基于关键点的特征描述子

SIFT、SURF、ORB

局部特征：SIFT

基于尺度空间不变的特征描述
特点：具有良好的不变性、独特性好信息量丰富、多量性、计算比之前的快

计算步骤：

（1）在DoG尺度空间中获取极值点，即关键点：LoG尺度空间、DoG尺度空间
（2）对关键点处理：位置插值，获得精确的关键点；去除边缘点
（3）关键点的方向估计：找主方向为达到旋转不变性
（4）关键点描述子的生成：区域坐标旋转；计算采样区域的直方图

相关概念

尺度空间

使用不同$\sigma$的LOG对图片进行滤波
使用LOG，则后续计算量极大，可以使用DOG代替LOG，用差分代替微分

高斯金字塔

高斯金字塔是在传统金字塔的基础上，对每层用不同的参数$\sigma$做高斯模糊，是的每一层金字塔有多张高斯模糊图像

octave同一个尺度下参数不同的一组图片，每层从下到上越来越模糊，下面一层的倒数第三张通过隔点降采样得到上面一层最后一张。在小的上面找大特征，大的上面找大特征。

具体过程

（1）计算高斯差分DoG空间
不同octave乘$\sigma$,相同尺度的图片用了不同的高斯核模糊后，相邻相减

在同一组内，不同层图像的尺寸是一样的，后一层图像的高斯平滑因子σ是前一层图像平滑因子的k倍；
在不同组内，后一组第一个图像是前一组倒数第三个图像的二分之一采样，图像大小是前一组的一半；

（2）获取DoG空间极值点
判断极值点：以$X$为检测点，其周围的点，同层的8个点+上层9个点+下层9个点，与监测点相比较都大/都小，则是极值点

DoG空间极值点是关键点
圆半径$\to$特征点尺度；圆心$\to$特征点坐标


（3）特征点方向估计：
在尺度上计算梯度直方图：以特征点为中心，以