/******************************************************/
github：https://github.com/MichaelBeechan
CSDN：https://blog.csdn.net/u011344545
/******************************************************/
記得最早使用SIFT還是OpenCV2中，不知后來為什么被去掉了！！！直到前段時間聽說SIFT算法專利到期了（原來是因為SIFT算法有使用權限），接著很快OpenCV4就有這個功能了！！！！！

1、SIFT簡介

圖像匹配的核心問題：將同一目標在不同時間、不同分辨率、不同光照、不同位姿情況下所成的像相對應。
傳統的匹配算法：往往是直接提取角點或邊緣，對環境的適應能力較差，因此急需提出一種魯棒性強、能夠適應不同光照、不同位姿等情況下能夠有效識別目標的方法。
所以1999年SIFT誕生了：David G. Lowe老爺子提出：E-mail: lowe@cs.ubc.ca

1999 年哥倫比亞大學 David G.Lowe 教授總結了現有的基于不變量技術的特征檢測方法，提出了一種**基于尺度空間的**、對**圖像縮放**、**旋轉**甚至**仿射變換**保持不變性的圖像局部特征描述算子—— **SIFT（尺度不變特征變換）**，直到算法在2004被完善。

將一幅圖像映射（變換）為一個局部特征向量集：特征向量具有平移、縮放、旋轉不變性，同時對光照變化、仿射及投影變換也有一定不變性。

SIFT 算法特點：

- SIFT 特征是**圖像的局部特征**，其對**旋轉**、**尺度縮放**、**亮度變化保持不變性**，對**視角變化**、**仿射變換**、**噪聲**也保持一定程度的穩定性。- 獨特性好，信息量豐富，適用于在海量特征數據庫中進行快速、準確的匹配。- 多量性，即使少數的幾個物體也可以產生大量 SIFT 特征向量。- 經過優化的 SIFT 算法可滿足一定的速度需求。- 可擴展性，可以很方便的與其他形式的特征向量進行聯合。

SIFT 算法解決的問題

- 目標的旋轉、縮放、平移- 圖像仿射/投影變換- 光照影響- 目標遮擋- 雜物場景- 噪聲

2、SIFT算法實現

SIFT 算法實現物體識別主要有三大工序，1 1 、提取關鍵點；2 2 、對關鍵點附加詳細的信息（局部特征）也就是所謂的描述器；3 3 、通過兩方特征點（附帶上特征向量的關鍵點）的兩兩比較找出相互匹配的若干對特征點，也就建立了景物間的對應關系。

2.1 關鍵點檢測

根據文獻 《 Scale- - space theory: A basic tool for analysing structures at different scales 》 我們可知，高斯核是唯一可以產生 多尺度空間的核，一個圖像的尺度空間， L( x,y,σ) , 定義為原始圖像 I(x,y) 與一個可變尺度的2 2 維高斯函數 G(x,y,σ) 卷積運算

Lindeberg 在文獻 《 Scale- - space theory: A basic tool for analysing structures at different scales 》 指出尺度規范化的 LoG 算子具有真正的尺度不變性。
LoG 算子即（ Laplacion of Gaussian ）, 可以由高斯函數梯度算子 GOG 構建

LOG算子與高斯核函數的關系

DoG （ Difference of Gaussian ）函數


在 Lowe 的論文中，將第0 0 層的初始尺度定為 1.6，圖片的初始尺度定為 0.5，則圖像金字塔第0層的實際尺度為

2.2 關鍵點描述

描述的目的是在關鍵點計算后，用一組向量將這個關鍵點描述出來，這個描述子不但包括關鍵點，也包括關鍵點周圍對其有貢獻的像素點。用來作為目標匹配的依據，也可使關鍵點具有更多的不變特性，如光照變化、 3D 視點變化等。

下圖是一個 SIFT 描述子事例。其中描述子由2×2×8 維向量表征，也即是2×2個8 方向的方向 直方圖組成。 左圖的種子點由8×8單元組成。每一個小格都代表了特征點鄰域所在的尺度空間的一個像素，箭頭方向代表了像素梯度方向，箭頭長度代表該像素的幅值。然后在4×的窗口內計算8 個方向的梯度方向直方圖。繪制每個梯度方向的累加可形成一個種子點，如右圖所示：由 一個特征點由4 個種子點的信息所組成。

Lowe 實驗結果表明 ： 描述子采用4×4×8＝ 128維向量表征 ，綜合效果最優（不變性與獨特性）

2.3 關鍵點匹配

分別對參考圖reference image 和觀測圖， observation image建立關鍵點描述子集合。目標的識別是通過兩點集內關鍵點描述子的比對來完成。具有 128 維的關鍵點描述子的相似性度量采用歐式距離。

2.4 消除錯配點

關鍵點匹配并不能標志著算法的結束，因為在匹配的過程中存在著大。 量的錯配點。
RANSAC （ Random Sample Consensus ， 隨機抽樣一致 ）：是一種魯棒性的參數估計方法。
思想：首先根據具體問題設計出某個目標函數，然后通過反復提取最小點集估計該函數中參數的初始值，利用這些初始值把所有的數據分為 “ 內點 ” （ inlier ）和 “ 外點 “ （ outlier ），最后用所有的內點重新計算和估計函數的參數。

3、SIFT算法的應用

SIFT 算法目前在軍事、工業和民用方面都得到了不同程度的應用，其應用已經滲透了很多領域，典型的應用如下：

? 物體識別 ? 機器人定位與導航 ? 圖像拼接 ? 三維建模 ? 手勢識別 ? 視頻跟蹤 ? 筆記鑒定 ? 指紋與人臉識別 ? 犯罪現場特征提取 ?????????????

4、SIFT算法的擴展與改進

總結

以上是生活随笔為你收集整理的算法 | 尺度不变特征变换匹配算法 Scale Invariant Feature Transform （SIFT）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。