wbyang.cn

      SIFT已经流行得近乎泛滥，大概在3、4年前看到SIFT时，大部分还是应用在宽基线图像匹配方面，其他方面的文章还不多，当时大概只查到几篇在目标跟踪方面应用的文章，但是都很浅显，没有什么改进，并且都是一些影响力不高的会议文章。当时心里闪过了一些念头，能不能在其他方面做一些应用，甚至对特征本身做一些改进？但是由于当时没有花很多时间在这方面的研究上，这个想法也就被搁置了。但是如今回过头来一看，局势完全不同了，SIFT像阿凡达风靡中国一样席卷图像处理各个领域，即使有些地方用上去显得有些生硬。从另一个角度

      接着上次的说，主要是计算特征点方向和生成SIFT特征向量的过程中的一些问题。直接切入正题吧。       1、计算特征点方向时的参数问题。计算特征点的方向时，将邻域内的梯度和方向进行统计，并以1.5倍sigma（sigma为该特征点的尺度值）进行圆形高斯加权，生成36个bin的梯度方向直方图，但是这个邻域是多大呢？在Lowe的原文中并没有明确说明，而在王永明的《图像局部不变性特征与描述》一书中说明邻域半径为3倍sigma。这个嘛，在没有进一步看到更多的说明之前，还是认为是3倍sigma吧  

      其实以下问题不一定要归结到SIFT的内容当中来，因为这是关于特征点匹配方面的，只是由于我是在看SIFT的时候接触到这些，并且也只是有一点粗浅的了解，将一些基础的总结性的知识储备在这里吧。不能算问题，只能是知识点。       1、特征匹配算法分类。通常特征匹配算法可以分为两类。一类是线性扫描法，即穷举法。第二类是建立数据索引，然后再进行快速匹配。索引树就是第二类中的一种，其基本思想是对搜索空间进行层次划分。根据划分的空间是否有混叠（Overlap）可以分为Clipping和Overlappin

     虽然最近没有研究关于SIFT的内容，但是还是想把一些有关的参考资料放在这里。 [1] David G. Lowe. Object recognition from local scale-invariant features. ICCV1999. [2] David G. Lowe. Distinctive image features from scale-invariant keyp