论文笔记：SIFT（Scale-invariant feature transform 尺度不变特征变换）

最新推荐文章于 2025-09-14 21:39:13 发布

原创

最新推荐文章于 2025-09-14 21:39:13 发布 · 1.1w 阅读

24 ·

CC 4.0 BY-SA版权

SIFT（尺度不变特征变换）是一种强大的图像特征匹配算法，能在旋转、模糊、尺度变化等条件下稳定检测特征点。本文深入解析SIFT算法原理，包括关键点检测、方向指定和描述符生成，以及其在物体检测中的应用。

1.SIFT介绍

1.1.介绍

SIFT（Scale-invariant feature transform 尺度不变特征变换）图像特征匹配，即使图像有旋转、模糊、尺度、亮度的变化，即使使用不同的相机，即使图像拍摄的角度不同，SIFT总能检测到稳定的特征点。SIFT是人工设计特征的一个巅峰。

SIFT算法由加拿大英属哥伦比亚大学教授David Lowe 于 1999 年发表于会议ICCV ，原论文Object recognition from local scale-invariant features ，David Lowe 是唯一作者。

广为人知的被引用更多的是2004年发表于期刊IJCV的完善版 Distinctive image features from scale-invariant keypoints。本文就是基于此论文翻译总结的。

2020年3月6日专利到期，可以免费试用。OpenCV里有。

2.算法简介

包括下面四部分：
1.尺度空间极值检测-关键点检测：使用高斯差分difference-of-Gaussian 方法识别潜在的关键点（特征点），其中这些特征点对尺度、方向是不变的。
2.关键点确定：对每个候选的关键点，最终确定其是否合适及位置和尺度。
3.关键点方向指定：一个或者多个方向基于图片的梯度方向指定到每个关键点（keypoint location）。
4.关键点描述符：梯度、尺度、位置都确定了。然后转换成一种表达，它能有效应对图片扭曲、光照等情况。
5.最终检测时，会有一个数据库，里面存了大量训练的图片特征数据，然后用检测的图片和数据库中特征比较，发现足够匹配的特征就可以识别出来，至少有3个特征匹配吧。
下面章节会就此四部分分别介绍下。