局部特征提取算法-sift
•SIFT算法由D.G.Lowe 1999年提出，2004年完善总结。后来Y.Ke将其描述子部分用PCA代替直方图的方式，对其进行改进。
•SIFT算法是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置，尺度，旋转不变量
•SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的 稳定性。
•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。
•多量性，即使少数的几个物体也可以产生大量SIFT特征向量。
•可扩展性，可以很方便的与其他形式的特征向量进行联合。
尺度空间理论
•尺度空间理论目的是模拟图像数据的多尺度特征
描述子生成的细节
•以极值点为中心点，并且以此点所处于的高斯尺度sigma值作为半径因子。对于远离中心点的梯度值降低对其所处区域的直 方图的贡献，防止一些突变的影响。
•每个极值点对其进行三线性插值，这样可以把此极值点的贡献均衡的分到直方图中相邻的柱子上
归一化处理
•在求出4*4*8的128维特征向量后，此时SIFT特征向量已经去除了尺度变化、旋转等几何变形因素的影响。而图像的对比度 变 化相当于每个像素点乘上一个因子，光照变化是每个像素点加上一个值，但这些对图像归一化的梯度没有影响。因此将特 征向量的长度归一化，则可以进一步去除光照变化的影响。
•对于一些非线性的光照变化，SIFT并不具备不变性，但由于这类变化影响的主要是梯度的幅值变化，对梯度的方向影响较 小，因此作者通过限制梯度幅值的值来减少这类变化造成的影响。