版权声明：转载请注明作者与网址，谢谢 https://blog.csdn.net/zsx1713366249/article/details/85091126
注：本次整理的内容，参考资料来源多个网页，由于时间较早，具体网址记不清了。如有侵权见谅，立删
SIFT的全称是Scale Invariant Feature Transform，尺度不变特征变换，是一种非常稳定的局部特征。
SIFT特征具有以下特点：
1，图像的局部特征，对旋转、尺度缩放、亮度变化保持不变，对视角变化、仿射变换、噪声也保持一定程度的稳定性；
2，独特性好，信息量丰富，适用于海量特征库进行快速、准确的匹配；
3，多量性，即使是很少几个物体也可以产生大量的SIFT特征；
4，高速性，经优化的SIFT匹配算法甚至可以达到实时性；
5,扩展性，可以很方便的与其他的特征向量进行联合。
SIFT特征检测的基本步骤为:
- DoG尺度空间的极值检测。 首先是构造DoG尺度空间，在SIFT中使用不同参数的高斯模糊来表示不同的尺度空间。而构造尺度空间是为了检测在不同尺度下都存在的特征点，特征点的检测比较常用的方法是高斯拉普拉斯LoG，但是LoG的运算量是比较大的，可以使用DoG（差分高斯）来近似计算LoG，所以在DoG的尺度空间下检测极值点。
- 删除不稳定的极值点。主要删除两类：低对比度的极值点以及不稳定的边缘响应点。
- 确定特征点的主方向。以特征点的为中心、为高斯正态分布的标准差的某个倍数为半径的领域内计算各个像素点的梯度的幅角和幅值，然后使用直方图对梯度的幅角进行统计。直方图中最高峰所对应的方向即为特征点的方向。
- 生成特征点的描述子。首先将坐标轴旋转为特征点的方向，以特征点为中心的16×16的窗口的像素的梯度幅值和方向，将窗口内的像素分成16块，每块是其像素内8个方向的直方图统计，共可形成128维的特征向量。