SIFT特征提取与检索
1、SIFT简介
1.1、简介
匹配的核心问题是将同一目标在不同时间、不同分辨率、不同光照、不同方向的情况下所成的像对应起来。传统的匹配算法往往是直接提取角点或边缘，对环境的适应能力较差，需要一种鲁棒性强，能够适应不同情况的有效的目标识别的方法。
SIFT由David Lowe在1999年提出，在2004年加以完善 。SIFT在数字图像的特征描述方面当之无愧可称之为最红最火的一种，许多人对SIFT进行了改进，诞生了SIFT的一系列变种。SIFT已经申请了专利。
1.2、SIFT算法的特点
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、扩招性，可以很方便的与其他的特征向量进行联合。
1.3、SIFT算法可以解决的问题
目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能，SIFT算法在一定程度上可以解决：
1、目标的旋转、缩放、平移
2、图像仿射/投影变换
3、光照影响
4、目标遮挡
5、杂物场景
6、噪声
2、实现步骤
1、**尺度空间的极值检测：**搜索所有尺度空间上的图像，通过高斯微分函数来识别潜在的对尺度和旋转不变的兴趣点。
2、**特征点定位：**在每个候选的位置上，通过一个拟合精细模型来确定位置尺度，关键点的选取依据他们的稳定程度。
3、特征方向赋值： 基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向，后续的所有操作都是对于关键点的方向、尺度和位置进行变换，从而提供这些特征的不变性。
4、特征点描述： 在每个特征点周围的邻域内，在选定的尺度上测量图像的局部梯度，这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变换。
3、实验内容
3.1、拍摄多张图片（注意要来自不同场景）构造出一个小的数据集
拍摄了3个小区的不同场景的照片，每个小区各5张，共15张作为数据集
3.2、SIFT单张图片特征提取
出现的问题
1、检测点太多 整个屏幕都是特征点
2、运行速度极慢，5-10分钟才跑完一次代码
这里以一张图作为例子
可以看出SIFI特征点与Harris角点进行比较，SIFT特征点明显多于Harris角点，但是SIFT运行时间明显长于上个实验中Harris角点检测的运行时间。
解决方法
待解决
3.3、SIFT进行两张图像匹配
分为三种情况进行实验
1、同一小区同一场景不同角度匹配
2、同一小区相似场景匹配
3、不同小区场景匹配
3.3.1、同一小区同一场景不同角度匹配
分析
图片是在天台拍摄的，第二张图片是在第一张图片左侧拍摄的，可以看到第一张图片右侧的建筑物在第二张图片有了全貌。两张图片正中央的建筑物是比较全面且清晰的，匹配结果可以看出，匹配精准，且匹配点多。
3.3.2、同一小区相似场景匹配
分析
在同一个小区，建筑风格相似，所以选取这两张图片进行匹配。虽然建筑风格相同，但是角度不同，所以匹配结果可以看出匹配不精准，唯一一个匹配点是不同的两个建筑的窗户。
3.3.3、不同小区场景匹配
分析
在不同小区的不同场景下，无匹配点
3.4 SIFT数据集匹配图片
输入：一张数据集外的图片
输出：在数据集中匹配度最高的3张图片
出现的问题
输入的图片损坏，更换图片解决
结果分析
先将输入的图片读入，再用一个循环将整个文件夹中的文件遍历，与输入图片进行匹配，存储匹配值，输出最高的三张图片。依旧选择这个建筑风格比较相似的小区的图片进行输入，匹配点较少，但是比较准确，都是建筑物顶端的灰色尖端。运行时间较长。
4、总结
1、在简介中介绍了SIFT有着高速性，但是在我运行过程中，相比上个实验harris角点检测，运行速度极慢，5分钟才有输出结果。询问老师和同学，问题可能在照片的选取上，数据集中很多图片含有大量的树叶，所以SIFT才会大量的选取特征点。
2、多量性有着很好的体现，可以明显看出特征点远远大于harris角点。
3、匹配较为准确，在相同场景不同角度下的图片有着大量而且准确的匹配。