尺度不变特征变换匹配算法（Scale Invariant Feature Transform 简称SIFT）
SIFT算法常用来提取用于描述影像中的局部性特征，算法主要从空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量
算法过程：
- 对图像进行不同尺度的高斯模糊和降采样，构建高斯金字塔
- 借助高斯差分函数（DOG算子）代替微分检测离散空间的极值，作为兴趣点
- 通过拟合三维二次函数与插值，排除不显著与边缘的兴趣点，保留关键点
- 采集关键点在高斯金字塔邻域内像素的梯度与方向，分配主方向给关键点
- 保留峰值大于主方向峰值80％的方向作为该关键点的辅方向，增强匹配的鲁棒性
- 对关键点建立向量描述（位置、尺度、方向、光照/视角变化等），形成SIFT特征
算法优点：
- 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、噪声容忍度较高
- 特征信息丰富、独特，可拓展性强
- 特征计算成本较低，可以达到实时的要求
算法缺点：
- 实时性一般，有时提取的特征偏少
- 难以应对模糊或边缘光滑的图像
参考：