3.6 实践知识拓展
Sift算法是Lowe提出的一种比较奇特的特征点提取算法。它选择高斯残差在尺度空间上的极值点为特征点，并计算特征点局部邻域内的梯度方向直方图为描述子。这种算法将图像金字塔结构引入尺度空间以减少计算量，同时针对128维的特征向量空间，使用了BBF（Best Bin First）算法加快搜索过程，取得了较好的效果。Sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力。
总体来说，Sift算子具有以下特性：
1）Sift特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。
2）独特性好，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。
3）多量性，即使少数的几个物体也可以产生大量Sift特征向量。
4）速度相对较快，经优化的Sift匹配算法甚至可以达到实时的要求。
5）可扩展性强，可以很方便地与其他形式的特征向量进行联合。
Sift特征匹配算法主要包括两个阶段，一个是Sift特征的生成，即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量；第二阶段是Sift特征向量的匹配。
Sift特征的生成一般包括以下几个步骤：
1）构建尺度空间，检测极值点，获得尺度不变性；
2）特征点过滤并进行精确定位；
3）为特征点分配方向值；
4）生成特征描述子。
最后，以特征点为中心取16×16的邻域作为采样窗口，将采样点与特征点的相对方向通过高斯加权后，归入包含8个bin的方向直方图，最后获得4×4×8的128维特征描述子。
