基于余弦核函数的SIFT描述子改进算法
基于SIFT的改进算法
种 子点作 为起 始 的种 子 点，然后 依次将 其余 ８点按 照标记 的顺序 排 列 ，做 链 码 标 记 ，形 成 一 个 描 述 子 ； ５ 变换种子点顺序 ２ 将种子 点按照该角度另一个邻近的方向 （ ） ： 即 变 换 ｝ 角度 ） 重新 做链 码 ， 形成 另 一个 描述 子 ； ， ６）关 键点 匹配 ：找两 幅 图像 中欧式距 离最近 的前 两个关键 点 的描述 子 ，求得最近 的距 离小于 某个 阈值 ，接 受这一对 匹配点 。调
应 用 技 术
Ｉ ■
基 于 ＳＦ Ｉ Ｔ的改 进算 法
张 燕 赵 丽娜
（ 大连交通 大学信 息工程学院 电气工程 系 辽宁 大连 １ ６ ５ ０ ２） ｌ
［ 要］ Ｉ Ｔ算法是 目前特 征匹配研 究领域的热 点之 一，其在现有 的基于不变量技术 的特征检测 方法的基础上 ，提出的一种基于尺度空 摘 ＳＦ 间的 、对 图像缩放 、旋转 甚至仿 射变换保 持不变 性的特 征匹配算 法 。本 文在此基 础上 ，提 出 了一种增 强 Ｓ Ｔ特 征对旋 转变化 的改进 算法 ， Ｉ Ｆ 使其对 旋转 变化 有很 高 的不 变性 ，仿 射变 换 、噪 声也保 持一 定程 度 的稳 定性 。 ［ 关键词］ Ｉ Ｔ Ｓ Ｆ 特征匹配 方 向链码
中图 分 类 号 ： Ｔ Ｐ 文 献 标 识码 ：＾ 文 章 编 号 ：１ ０ － １ ｘ（ Ｏ ） ８ ０ ６ ０ ９ ９ ２ １ ２ － １ — １ ０ ４ ０ ４
图像 匹配 是计 算机 视觉等 领 域 的一个 研究 热点 ，是 图像配 准 ， 目标跟踪 的重要组成部分 。 目前，人们对图像匹配技术进行 了广泛 的 研究，提出 了基于面 积ｌ 、比值… ２、相位 的算法 Ｌ ，但 是这些匹配 算法都是基 于小范 围的尺度 缩放 、旋转 、光 照变化 、尤其仿射 变换 等方面受到很大 限制。其中文献…提 出的Ｓ Ｆ Ｉ Ｔ特征匹配算法是 目前 国 内外特 征匹配研究领域取得比较成功 的一种算法，并在 ２ ０ ０ ４年完善总 结 ５，该匹 配能力较 强， 能提 取稳定 的特征 ，可 以处理两幅 图像之 间发生平移、旋转、仿射变换等情况下 的匹配问题 ，甚至在某种程度 上 对任 意 角度 拍 摄 的 图 像 也 具 各 较 为稳 定 的特 征 匹 配 能 力 ， 从 而 可 以 实现差异较大的两幅 图像之间的特 征的匹配。 本文对匹配能力较 强、适用范 围较大的 Ｓ Ｆ ＩＴ特征变换匹配算法进 行研究 ，并用 Ｍａ ａｂ ．Ｏ实现 了该算法 。 ｔ ２ｌ ７ １ ＳＩ ＦＴ特征 匹配算法 原理 １ ）检测 尺度 空 间极值 点 利用 高斯卷积 核建立 图像 尺度空 问 ，然 后在该 尺度 空间检测稳 定 的关 键 点 。
图像识别中的SIFT算法实现与优化
图像识别中的SIFT算法实现与优化一、SIFT算法介绍SIFT算法（Scale-Invariant Feature Transform）是一种用于图像对比和匹配的局部特征提取算法，由David Lowe于1999年开发提出并持续改良。
SIFT算法可以检测出具有旋转、缩放、光照变化等不变性的图像特征点，被广泛应用于计算机视觉领域，如图像匹配、图像检索、物体识别等。
SIFT算法主要分为四步：尺度空间极值检测、关键点定位、关键点方向确定和描述子生成。
尺度空间极值检测：SIFT算法通过构建高斯金字塔来检测尺度下的极值点。
在高斯金字塔中，首先对原始图像进行下采样，生成一组不同尺度的图像。
然后在每个尺度上利用高斯差分来检测极值点，满足以下条件的点即为极值点：周围像素点中的最大值或最小值与当前像素点的差值达到一定阈值，而且是在尺度空间上达到极值。
关键点定位：对于极值点的定位，SIFT算法采用了一种基于拟合精细的方法来定位真实的关键点。
SIFT算法通过在尺度空间中计算极值点的DoG（高斯差分）的Hessian矩阵，来估计关键点的尺度和位置。
如果Hessian矩阵的行列式和迹符号都满足一定的条件，则认为该点为关键点。
关键点方向确定：在确定关键点的位置和尺度之后，SIFT算法还需要确定关键点的主方向。
该方向是通过计算关键点周围像素点的梯度方向和大小，并在组合后的梯度图像上寻找最大梯度方向得到的。
这个方向是在许多方向中确定的，而描述符是相对于主方向定义的。
描述子生成：最后，SIFT算法采用一个高维向量来描述关键点，并且具有不变性。
该向量的计算是在相对于关键点的周围图像区域内，采集图像梯度方向的统计信息来完成的。
描述符向量包含了关键点的位置、主方向，以及相对于主方向的相对性质。
二、SIFT算法优化思路尽管SIFT算法已经被广泛使用，但是由于算法复杂度和内存消耗等问题，使得在大数据和实时应用场景下，SIFT算法的运行速度和效果表现都有巨大限制。
SIFT和改进的RANSAC算法在图像配准中的应用
SIFT和改进的RANSAC算法在图像配准中的应用罗文超;刘国栋;杨海燕【摘要】在机器人视觉系统中运用SIFT描述子对现实世界中的目标进行识别，这一研究已经取得了很大的进步。
运用SIFT生成的图像特征向量的性能十分稳定，对旋转、缩放、平移是保持不变性的，对一定程度目标遮挡、光照变化、视点变化、杂物场景和噪声等也能保持很好的不变性。
RANSAC算法早就已经是计算机视觉领域常用的一个进行矫正的标准方法，在标准的RANSAC算法基础上加入了假设评价，改进为R-RANSAC（The Randomized RANSAC）算法。
对这两个方面进行论述，运用SIFT（尺度不变特征变换）算法对双目机器人的两幅视觉图像进行匹配，采用带SPRT的R-RANSAC改进算法对匹配过程进行优化，尽可能在短的时间里完成匹配矫正，进而加速整个配准的时间。
%There have been great advances in object recognition and image registration, through the match of invariant local image feature. With the feature of invariance to affine, 3D projection, scaling and rotation, illumination changes, image translation,the Scale Invariant Features Transform(SIFT)is commonly used in object recognition. The RANdom Sample Consensus(RANSAC) is widely used as robust estimator, as a standard in the field of computer vision. In the process of R-RANSAC, the Randomized (hypothesis evaluation)RANSAC, a modification is made to RANSAC by checking data points sequentially, while the standard RANSAC check all the data points in the model verification step. Own to this improvement, hypotheses with low support can be rejected before all points are considered. In addition, the Sequential Probability Ratios Test(SPRT) is used to minimize R-RANSAC runtime.【期刊名称】《计算机工程与应用》【年(卷),期】2013(000)015【总页数】4页(P147-149,156)【关键词】尺度不变特征变换(SIFT)描述子;图像匹配;图像配准;随机抽样一致性;顺序概率比测试【作者】罗文超;刘国栋;杨海燕【作者单位】江南大学轻工过程先进控制教育部重点实验室，江苏无锡 214122;江南大学轻工过程先进控制教育部重点实验室，江苏无锡 214122;江南大学轻工过程先进控制教育部重点实验室，江苏无锡 214122【正文语种】中文【中图分类】TP391机器人视觉系统中通常要对目标进行定位，这就需要用到图像的匹配和配准。
SIFT算法提取特征总结
SIFT算法提取特征总结SIFT（Scale-Invariant Feature Transform）算法是一种用于图像特征提取的算法，它能够从图像中提取出具有尺度不变性的关键点，并计算出这些关键点的描述子，从而实现图像的匹配、识别等任务。
下面将对SIFT算法进行总结。
一、SIFT算法的基本思想1.构建高斯金字塔：通过不同尺度的高斯滤波器对原始图像进行平滑，得到一系列不同尺度的图像。
2.构建高斯差分金字塔：对高斯金字塔进行相邻层之间的差分，得到一系列不同尺度的差分图像。
3.寻找关键点：在每个尺度的差分图像中，通过比较一个像素与其周围的26个像素，判断是否为极值点，这些极值点即为关键点。
4.精确定位关键点位置：通过插值计算关键点的亚像素位置。
5.确定关键点的尺度和方向：根据关键点的尺度和梯度方向，构建关键点的方向直方图，找到主方向。
6.计算关键点的描述子：根据关键点周围的图像局部梯度，构建特征向量，得到关键点的描述子。
二、SIFT算法的特点1.尺度不变性：SIFT算法通过高斯金字塔和高斯差分金字塔的构建，使得算法对图像的尺度变化具有不变性，能够在不同尺度上检测到相同的关键点。
2.旋转不变性：SIFT算法通过确定关键点的主方向，将关键点的描述子旋转到相同的方向，使得算法对图像的旋转变化具有不变性。
3.具有唯一性：SIFT算法通过极值点检测和亚像素插值，能够找到图像中稳定的关键点，并且能够通过描述子计算，使得关键点具有唯一性。
4.强鲁棒性：SIFT算法通过对图像局部梯度的计算，能够对光照、噪声等变化具有鲁棒性，使得算法具有较好的稳定性。
三、SIFT算法的应用1.图像匹配：通过提取图像的关键点和描述子，将两幅图像进行特征点的匹配，从而实现图像的对齐、拼接等任务。
2.物体识别：通过提取物体图像的SIFT特征，并建立特征数据库，可以对未知图像进行特征的匹配和识别，实现物体的检测和识别。
3.目标跟踪：将目标物体的SIFT特征提取出来，并通过匹配目标特征和图像中的特征点，可以进行目标的跟踪和定位。
一种改进的SIFT特征匹配算法
一种改进的SIFT 特征匹配算法于丽莉，戴 青(解放军信息工程大学电子技术学院，郑州 450004)摘 要：针对尺度不变特征变换(SIFT)特征匹配算法存在计算量大、复杂度高的问题，提出一种基于图像Radon 变换的改进SIFT 特征匹配算法。
改进算法在图像的SIFT 特征点采样区域内作d 条不同方向的直线，以d 条直线上的图像Radon 变换作为SIFT 特征向量描述符，降低SIFT 特征向量的维数，从而提高特征匹配效率。
实验结果表明，改进算法具有较高的匹配精度和较少的匹配时间，适用于虚拟场景漫游或目标识别等实时性要求较高的系统。
关键词：尺度不变特征变换；特征点提取；图像匹配；Radon 变换Improved SIFT Feature Matching AlgorithmYU Li-li, DAI Qing(Institute of Electronic Technology, PLA Information Engineering University, Zhengzhou 450004, China)【Abstract 】Aiming at the problems of large calculating scale and high complexity in Scale Invariant Feature Transform(SIFT) feature matching algorithm, this paper presents an improved SIFT feature matching algorithm based on image Radon transform. It makes d beelines on different directions in image SIFT feature point zone. Image Radon transform integral values on d beelines are adopted as SIFT feature vector descriptors, it reduces the dimensions of SIFT feature vector to improve the efficiency of feature matching. Experimental result proves that the improved algorithm has higher matching accuracy and needs less matching time, it is quite suitable for high real-time demanded system such as virtual space roaming and target identification.【Key words 】Scale Invariant Feature Transform(SIFT); feature point extraction; image matching; Radon transform DOI: 10.3969/j.issn.1000-3428.2011.02.073计 算 机 工 程 Computer Engineering 第37卷 第2期V ol.37 No.2 2011年1月January 2011·图形图像处理· 文章编号：1000—3428(2011)02—0210—03文献标识码：A中图分类号：TP3931 概述图像配准在传感器的信息融合、图像差异监测、目标识别多媒体数据库的检索等很多领域得到广泛应用。
基于 Harris的改进SIFT算法
基于 Harris的改进SIFT算法卢明;张晶【摘要】SIFT algorithm is a feature extraction algorithm with scale invariance,which can effec-tively extract local features of images.In order to improve the real time while improving its ro-bustness,SIFT algorithm is improved by using the local autocorrelation function of the first-order partial derivatives of the image gray from Harris algorithm instead of Hessian matrix to eliminate border effects.The improved algorithm can effectively remove the feature points in boundary posi-tion or position which is not bright enough when using Hessian matrix to eliminate border effects in SIFT algorithm,and it can improve the quality of image stitching.Experiments show that the improved algorithm can improve the detection time and robustness of SIFT algorithm,and it a-chieves good results in the production process of virtual roaming system.%SIFT算法是一种具有尺度不变性的特征提取算法，能够有效地提取图像中的局部特征。
SIFT算法详解
SIFT算法详解SIFT（Scale-Invariant Feature Transform）算法是一种用于计算图像特征的算法，最早由David Lowe于1999年提出，是一种用于在不同尺度和旋转下具有不变性的特征描述算法。
1.关键点检测：SIFT算法首先对图像进行多尺度空间的检测，即在图像中寻找尺度空间极值点。
为了实现尺度不变性，SIFT算法采用了高斯金字塔的方法来对图像进行多尺度模糊处理。
金字塔的每一层可以通过对上一层图像进行下采样和卷积来生成。
然后，在每一层金字塔上使用一种拉普拉斯算子来计算尺度空间的极值点，这些极值点包括图像的边缘点、角点和斑点等。
极值点的检测是通过对每个像素点的周围像素点进行梯度计算和方向估计来实现的。
2.关键点描述：在关键点检测之后，SIFT算法通过计算每个关键点的局部图像梯度直方图来对关键点进行描述。
首先，将关键点周围的领域分为若干个子区域，一般为16个，每个子区域可以通过将关键点周围的区域划分为4×4个小区域来实现。
然后，对每个小区域中的像素点计算其梯度幅值和方向，并将其分到相应的方向直方图中。
通过对所有子区域的梯度方向直方图进行拼接，就可以得到整个关键点的描述子。
描述子的维度一般为128维，特征向量的每个维度包含了关键点的领域中的梯度方向信息。
3.特征匹配：在关键点描述之后，SIFT算法使用一种基于特征向量距离的匹配方法来实现图像特征点的匹配。
常用的方法是计算两个特征向量之间的欧式距离，并使用一个阈值来筛选出较为相似的特征点。
为了提高匹配的准确性和稳定性，SIFT算法使用了一种自适应的阈值筛选方法，通过计算两个特征向量距离的比值来判断特征点的匹配性。
总结来说，SIFT算法通过对图像进行多尺度的检测、关键点的描述和特征的匹配，实现了对图像特征的提取和匹配。
这种算法对于图像的尺度变化、旋转变换和部分遮挡等具有一定的不变性，因此被广泛应用于图像处理、目标识别和三维重建等领域。
SIFT算法详解及应用
SIFT算法详解及应用SIFT（Scale-Invariant Feature Transform）是一种用于图像处理和计算机视觉中的特征提取算法。
它的主要目标是提取具有尺度和旋转不变性的局部特征点。
SIFT算法的独特之处在于它不依赖于特定的图像属性，而是通过一系列处理步骤构建出具有稳定性和描述性的特征点。
1. 尺度空间极值检测（Scale Space Extrema Detection）：通过在不同的尺度上使用高斯差分函数，找到图像中的极值点作为潜在特征点。
2. 关键点定位（Keypoint Localization）：在尺度空间中找到极值点后，使用插值方法精确定位特征点的位置。
同时，通过计算Hessian矩阵的主曲率来排除边缘响应。
3. 方向分配（Orientation Assignment）：为每个特征点分配一个主要的方向，使得后续的特征描述能够具有旋转不变性。
4. 特征描述（Feature Description）：根据每个特征点的主方向，构建特征描述子。
描述子被构建为一个128维的向量，它具有对尺度、旋转和光照变化的不变性。
5. 特征匹配（Feature Matching）：通过比较特征描述子，找到两幅图像中具有相似特征的匹配点。
常用的方法是计算特征向量之间的欧式距离或相似性度量。
1.目标识别：SIFT算法可以检测并描述图像中的关键点，通过与预先训练好的模板特征进行匹配，可以在输入图像中快速准确地定位和识别目标物体。
2.图像拼接：SIFT算法可以提取图像中的特征点，并通过对这些特征点进行匹配来确定它们之间的对应关系。
这样，可以将多张图像拼接在一起，生成一个大的全景图像。
3.目标跟踪：SIFT算法可以提取图像中的关键点，并构建其特征描述子。
通过与之前的图像帧进行匹配，可以实现目标的跟踪和定位。
4.三维重建：使用多个图像拍摄同一场景，并通过SIFT算法提取特征点并进行匹配，可以推断出相机的位置和场景的结构，从而实现三维重建。
sift算子的原理
SIFT算子一、引言1. SIFT算子的定义- SIFT（Scale-Invariant Feature Transform）算子是一种用于在图像中检测和描述关键点的特征提取算法。
- SIFT算子以其尺度不变性和旋转不变性而在计算机视觉领域取得巨大成功。
2. 算法的背景- SIFT算子由David G. Lowe于1999年提出，旨在解决在不同尺度和旋转条件下寻找稳定特征的问题。
- 该算法被广泛应用于物体识别、图像拼接和三维重建等领域。
3. SIFT算法的特点- 尺度不变性：SIFT算法能够在不同尺度下检测同一物体的特征点。
- 旋转不变性：SIFT算法可以对图像进行旋转不变的特征提取。
- 鲁棒性：SIFT算法对于光照变化和噪声有一定的鲁棒性。
二、SIFT算法的关键步骤1. 尺度空间极值检测- 在不同尺度下，SIFT算法使用高斯滤波构建尺度空间金字塔。
- 通过检测尺度空间的极值点，找到关键点的候选集。
2. 关键点定位- 对于候选集中的每个点，通过拟合其邻域内的二次曲面，精确定位关键点。
- 确保关键点具有高响应值，并排除低对比度和边缘点。
3. 方向分配- 为每个关键点分配主方向，使其具有旋转不变性。
- 利用图像局部梯度的方向直方图确定主方向。
4. 关键点描述- 利用关键点附近的图像信息构建描述子，描述子是一个128维的向量。
- 描述子能够表达关键点周围的图像结构，提高匹配的鲁棒性。
三、SIFT算法在图像匹配中的应用1. 特征点匹配- SIFT算法提取的特征点能够在不同图像中进行匹配，即使存在尺度和旋转变化。
- 特征点匹配广泛应用于图像配准、目标识别等领域。
2. 物体识别与跟踪- SIFT算法在物体识别和跟踪中发挥着关键作用。
- 通过检测图像中的SIFT特征点，可以实现对目标的快速准确的识别和跟踪。
3. 图像拼接和全景视图生成- SIFT算法可用于拼接具有重叠区域的图像，生成全景图像。
- 通过匹配图像中的SIFT特征点，实现不同视角图像的无缝拼接。
一种基于SIFT的改进特征点匹配算法
一种基于SIFT 的改进特征点匹配算法摘要本文提出一种改进的特征点匹配算法基于尺度不变特征变换（SIFT）算法，主要解决了SIFT 算法的准确性和速度问题。
改进算法通过改进SIFT 中的特征点匹配，提高了算法匹配准确性，同时采用了基于KD 树和多通道颜色直方图的快速匹配算法，加速了匹配速度。
实验结果表明，该算法在准确性和速度方面都优于传统的SIFT 算法。
关键词：SIFT；特征点匹配；KD 树；多通道颜色直方图引言近年来，计算机视觉技术的研究受到了广泛关注，其中尺度不变特征变换（SIFT）是一种被广泛采用的特征点提取算法。
SIFT 算法具有尺度不变性、旋转不变性和光照不变性等特点，是一种非常有效的特征点提取算法，被广泛应用于计算机视觉领域中的物体识别、图像配准、三维重建等多个领域。
然而，尽管SIFT 算法被广泛采用，但是其在特征点匹配时存在一些问题，例如准确性和匹配速度等问题。
传统的SIFT 算法采用暴力匹配的方式进行特征点匹配，虽然匹配精度较高，但是匹配速度较慢，尤其是对于大规模图像数据集，运算时间呈指数级别增长，导致运算效率较低。
因此，改进SIFT 算法的特征点匹配算法是一项非常必要的任务。
本文提出了一种基于KD 树和多通道颜色直方图的改进特征点匹配算法，旨在提高SIFT 算法的特征点匹配精度和匹配速度。
本文通过实验对SIFT 算法和改进算法进行比较分析，并验证了改进算法的优越性。
基于SIFT 的特征点匹配SIFT 算法是一种基于尺度空间图像的特征点提取算法，旨在提取图像局部特征并对其进行描述。
SIFT 算法主要分为四个步骤：尺度空间极值检测、关键点精确定位、方向赋值以及特征点描述。
在这个过程中，主要通过DOG（差分高斯）算子来构造尺度空间，通过寻找局部最大值来检测图像中的特征点。
接着，使用DoG 空间的极值点，对每个极值点进行精准定位和方向赋值。
尽管SIFT 算法已经被证明是一种非常有效的特征点提取算法，但是它的特征点匹配存在一定的难点。
改进的SIFT图像匹配算法
改进的SIFT图像匹配算法李炀;翟社平【摘要】在众多图像匹配算法中,SIFT算法是在总结了众多传统算法优势的基础上,将尺度空间理论融合到图像特征点提取过程中,这样SIFT算法就保持了图像的尺度和旋转不变性,另外在外部光照变化等因素的影响下也能对图像的特征点进行准确的匹配,但该算法在仿射变换方面还存在很大的不足。
针对不足之处,采用SIFT算法的方法提取图像的特征点,然后通过使用ASIFT中的方法对提取到的特征点进行仿射变换以及为特征点分配方向,这样在增强了图像的抗仿射性的基础上也保持了图像的旋转不变性。
实验结果表明,改进算法在保持了原SIFT算法各种优势的基础上,在增强图像的抗仿射性方面,可以取得良好的效果。
%In many image matching algorithm, SIFT algorithm puts the scale space theory fusion into image feature point extraction process based on the summary of the advantages of many traditional algorithms,so that it keeps the scale and rotation invariance for image and in the external light illumination changes and other factors influence,can also match the image feature points accurately. But it still exists great shortage in terms of affine transformation. Aiming at them,the SIFT method is used to extract image feature points and ASIFT method is applied to carry out affine transformation for extracted feature points and to distribute direction,enhancing image anti affine and maintaining the image rotation invariance. The experimental results show that the improved algorithm can achieve good results in enhan-cing the anti radiation of the image based on the advantages of the original SIFT algorithm.【期刊名称】《计算机技术与发展》【年(卷),期】2016(026)011【总页数】5页(P58-62)【关键词】SIFT;ASIFT;抗仿射性;图像匹配;特征点【作者】李炀;翟社平【作者单位】西安邮电大学计算机学院，陕西西安 710061;西安邮电大学计算机学院，陕西西安 710061【正文语种】中文【中图分类】TP391.41随着计算机技术的发展，人工智能、机器视觉等人机交互技术也成为科研工作者重点研究的方向。
SIFT算法原理SIFT算法详细介绍
SIFT算法原理SIFT算法详细介绍SIFT（Scale-Invariant Feature Transform）算法是一种用于图像特征提取和匹配的算法，被广泛应用于计算机视觉领域。
SIFT算法的核心思想是在不同尺度空间中检测和描述图像的局部特征，通过这些特征可实现图像的匹配、识别和定位。
1.尺度空间极值点检测：首先，SIFT算法通过高斯平滑滤波器构建高斯金字塔，每一层都是由上一层进行降采样得到的。
在不同尺度空间的图像上，通过比较每个像素点与其相邻像素点的灰度值，找出尺度空间极值点，作为关键点候选。
2.关键点定位：通过对尺度空间的极值点进行精确定位，以获取更加准确的关键点。
在关键点候选集合中，利用尺度空间的极值点与梯度方向直方图等局部特征进行过滤，剔除低对比度和边缘响应的关键点。
3.方向分配：为了使SIFT算法具有旋转不变性，需要为每个关键点分配主方向。
采用梯度直方图对关键点周围的图像区域进行统计，找到梯度方向直方图的峰值，作为该关键点的主方向。
4.关键点描述：在每个关键点周围的图像区域内，构建128维的特征向量，用于描述该关键点的局部特征。
通过计算每个像素点周围的梯度幅值和方向，并将其转换为特征向量的模式，构成关键点的描述符。
5.特征匹配：对于待匹配的图像，通过计算两个图像的特征向量之间的欧氏距离，进行特征匹配。
采用距离比值方法，选取最匹配和次匹配之间的距离比值小于预先设定的阈值的特征点，进行最终匹配。
6.特征筛选：通过应用RANSAC（随机抽样一致性）算法，对匹配结果进行筛选，剔除外点，保留内点，从而得到更准确的匹配结果。
SIFT算法的应用非常广泛，常用于目标识别、图像拼接、图像检索、三维重建和运动估计等领域。
在目标识别中，通过提取图像的SIFT特征，并与模板图像进行匹配，可以实现目标的识别和定位。
在图像拼接中，通过寻找多幅图像之间的共同特征点，并根据特征点的位置关系进行配准，可以实现图像的自动拼接。
SIFT算法原理SIFT算法详细介绍
SIFT算法原理SIFT算法详细介绍SIFT（Scale-Invariant Feature Transform）是一种用于计算机视觉领域的算法，用于检测和描述图像中的局部特征。
它被广泛应用于目标识别、图像匹配和三维重建等任务中。
SIFT算法通过提取图像的稳定特征点来实现图像的尺度和旋转不变性。
下面详细介绍SIFT算法的原理和步骤。
1.尺度空间极值检测：SIFT算法首先在不同的尺度空间中通过高斯差分金字塔（Difference of Gaussian，DoG）寻找稳定的特征点。
通过对输入图像进行高斯滤波，得到一系列不同尺度的图像。
然后，通过对相邻的两个不同尺度的图像进行差分操作，得到高斯差分图像，即DoG金字塔。
接着，在DoG金字塔中寻找局部极值点，即该点的像素值在其周围的3×3×3邻域内最大或最小。
2.生成关键点：在尺度空间极值点检测后，通过插值计算亚像素精度的关键点位置，以获得更精确的特征点位置。
对比邻域像素的梯度幅值和方向，重新定位关键点位置。
3.消除边缘响应：排除低对比度的稳定特征点和位于边缘的特征点，以提高匹配的准确性。
通过计算Hessian矩阵的迹和行列式来判断是否为边缘响应。
4.计算主方向：为了使SIFT算法对旋转具有不变性，对每个关键点计算该点的主方向。
在关键点周围的邻域内，计算梯度幅值和方向直方图，选取主方向作为该特征点的方向描述符。
5.生成特征描述子：在关键点检测和主方向计算后，利用关键点附近的图像区域创建描述子。
以关键点为中心，将图像区域分为若干个子区域，并在每个子区域内计算局部特征。
对每个子区域，计算梯度幅值和方向直方图，形成一个向量。
最后将这些向量串联形成一个特征向量，作为该特征点的描述子。
6.特征点匹配：使用描述子来匹配不同图像中的特征点。
通过计算两个特征点描述子之间的距离来判断它们的相似性。
通常使用欧氏距离或余弦相似度来度量特征点之间的差异。
然后，根据距离进行特征点匹配，通过选取最佳匹配对的阈值来过滤不准确的匹配。
改进的sift结合余弦相似度的人脸匹配算法
1 引言
人脸特征提取与匹配在人脸图像信息研究领域是 相当重要的一个分支，它是人脸识别[1]、三维重建 和 [2] 人 脸替换[3]等当下热点研究领域的基础。人脸图像匹配在 人脸研究领域具有广体在不同时间、视角以及不同传感器条件下 的多幅图像的相似程度。传统的图像匹配技术多适用 于刚性物体，而人脸五官分布具有复杂性，同时由于人
Improved SIFT Algorithm Combined with Cosine Similarity for Face Matching WEI Wei, ZHANG Xinyue, ZHU Ye
School of Artificial Intelligence, Hebei University of Technology, Tianjin 300401, China
脸的五官可以根据表情改变而发生动态变化，这给人脸 图像的匹配带来了很大的挑战。
人脸领域常用的图像匹配算法基本分两种，利用灰 度进行人脸匹配和利用特征进行人脸匹配。利用灰度 进行人脸匹配可以取得较高的匹配率，但计算复杂度也 较高，且对图像的灰度变化敏感，在光照变化较大的场 景下匹配效率低。此外，利用灰度的匹配方法对人脸的 偏转和形变也比较敏感。而当人的表情变化时，人脸就
基金项目：国家自然科学青年基金（No.61806071）；中国科学院自动化研究所模式识别国家重点实验室开放课题（No.201900043）。 作者简介：魏玮（1960—），男，博士，教授，硕士生导师，CCF 会员，研究领域为图像处理与模式识别；张芯月（1994—），女，硕士研究
生，研究领域为图像处理与模式识别，计算机视觉；朱叶（1989—），女，博士，讲师，研究领域为数字图像处理和模式识 别，E-mail：hebutippr@。 收稿日期：2018-12-27 修回日期：2019-04-23 文章编号：1002-8331（2020）06-0207-06 CNKI 网络出版：2019-04-25, /kcms/detail/11.2127.TP.20190424.1728.010.html
基于局部特征的SIFT算法改进研究
基于局部特征的SIFT算法改进研究SIFT算法是一种在图像处理领域中非常重要的算法，它是一种基于局部特征的算法，可以用于图像的匹配、识别和检索等方面。
SIFT算法最初是由David Lowe在1999年提出的，在之后的20多年里得到了广泛的研究和应用。
本文将对SIFT算法进行改进研究，主要是通过对其局部特征的改进来提升其性能，使其在更广泛的应用场景中发挥作用。
一、SIFT算法简介SIFT算法是一种基于局部特征的算法，主要用于图像的匹配和识别等方面。
它的特点是具有很好的尺度不变性和旋转不变性，能够在不同尺度和旋转角度下对同一物体进行准确匹配。
SIFT算法主要分为四个步骤：尺度空间极值检测、关键点定位、方向确定和特征描述。
在尺度空间极值检测中，SIFT算法使用了高斯差分金字塔来寻找图像中的极值点，以找出物体的不同尺度的特征点。
在关键点定位中，SIFT算法利用了拉普拉斯算子来确定关键点的位置和尺度。
在方向确定中，SIFT算法首先计算关键点周围的梯度直方图，然后根据这个直方图确定该点的主要方向。
最后，在特征描述中，SIFT算法使用了局部特征描述符来描述每个特征点的特征信息，进而实现图像的匹配和识别。
二、SIFT算法的不足虽然SIFT算法具有很好的尺度不变性和旋转不变性，但在实际应用中还存在一些不足之处。
一方面，SIFT算法在处理大规模图像数据时存在计算量大、时间复杂度高的问题，导致其无法在实时应用中使用。
另一方面，SIFT算法在处理复杂场景时可能会遇到模糊或重叠的问题，导致匹配和识别效果下降。
为了解决这些问题，我们需要对SIFT算法进行改进研究，以提高其性能。
三、基于局部特征的SIFT算法改进在SIFT算法中，局部特征是非常重要的因素。
因此，我们可以通过改进局部特征的方法来提高SIFT算法的性能。
以下是两种基于局部特征的SIFT算法改进方法。
1. 基于深度学习的SIFT算法改进基于深度学习的SIFT算法改进是一种通过引入深度学习技术来提高SIFT算法性能的方法。
基于余弦核函数的SIFT描述子改进算法
基于余弦核函数的SIFT描述子改进算法丁理想;何川;李书杰【摘要】The SIFT descriptor has been widely used in the field of computer vision thanks to its various invariant attributes; however, its high dimensionality results in redundant data and makes it time-consuming for application. Therefore, a novel algorithm, considering the inner relationship between gradient vectors in SIFT descriptor, is presented in this paper, which utilizes the principal component analysis method based on cosine kernel function. First, a principal component matrix, which is used to compute the principal direction of the projection matrix, is generated by using cosine kernel function to extract SIFT descriptors from the sample images. Then, the projection matrix is applied to the dimensionality reduction of the SIFT descriptors from the new images. In the experiment, we evaluate the performance of descriptors by means of image matching. The results indicate that our method can efficiently reduce the dimensionality and also obtain more matches without sacrificing the matching accuracy and meanwhile improve time performance.%原始的SIFT特征描述子维数较高,包含较多的冗余数据,因而在各类应用中需要耗费较多的时间.文中考虑到SIFT描述子内部梯度向量之间的关系,采用基于余弦核函数的核主成分分析法对SIFT特征描述子进行降维操作.首先,提取样本图像的SIFT特征描述子,利用余弦函数生成核主成分矩阵,提取其在主方向上的投影矩阵;然后,利用该投影矩阵对新采集的描述子进行降维操作.实验中采用图像匹配的方式比较描述子性能,实验表明:该算法可以有效降低特征描述子的维数;同时,在不降低匹配准确率的情况下,能够获得比SIFT多的匹配点,而且时间性能显著提高.【期刊名称】《图学学报》【年(卷),期】2017(038)003【总页数】9页(P373-381)【关键词】模式识别;图像配准;特征描述子;主成分分析法;余弦核函数【作者】丁理想;何川;李书杰【作者单位】合肥工业大学计算机与信息学院,安徽合肥 230009;合肥工业大学计算机与信息学院,安徽合肥 230009;合肥工业大学计算机与信息学院,安徽合肥230009【正文语种】中文【中图分类】TP391.41特征描述子用于描述图像中具有显著的特征，通常量化为多维向量的形式，其作为计算机视觉的基础研究内容，被广泛应用于目标识别、图像配准、场景理解、三维重建等诸多领域。
SIFT特征算法改进研究
SIFT特征算法改进研究代玉强;杨絮;熊昊;陈小远;莫苏新【摘要】SIFT算法在目标识别算法上有广泛的应用,但经典的SIFT算法忽略图像的颜色信息,并且特征描述向量维数太高,计算复杂.针对这些问题,融入颜色不变量理论,先求出彩色图像的颜色不变量,以此作为输入图像提取特征点,提高算法对于颜色信息的敏感度.然后将特征描述区域设置成圆形,降低特征描述子维度.【期刊名称】《现代计算机（专业版）》【年(卷),期】2018(000)017【总页数】5页(P55-59)【关键词】SIFT算法;颜色不变量;目标识别【作者】代玉强;杨絮;熊昊;陈小远;莫苏新【作者单位】长春理工大学电子信息工程学院,长春 130022;长春理工大学电子信息工程学院,长春 130022;长春理工大学电子信息工程学院,长春 130022;长春理工大学电子信息工程学院,长春 130022;长春理工大学电子信息工程学院,长春130022【正文语种】中文0 引言目标识别是计算机视觉以及数字图像处理中的重要组成部分，被广泛应用于视频监控、摄影测量、资源分析等众多领域。
但是图像的质量很容易受外界因素干扰，因拍摄的时间、角度、距离的不同导致图像的位置平移、大小缩放、角度旋转、部分遮挡等问题，这都会严重影响目标识别的结果。
哥伦比亚大学的Lowe教授提出了SIFT算法[1]，它属于一种稳定的局部特征匹配算法，在各方面都有良好的性质。
但是SIFT算法还存在很多不足。
首先是SIFT算法只能处理灰度图像，对于人眼来说，颜色也是重要的视觉信息，对于目标的识别有很重要的作用，颜色特征在SIFT算法中没有体现出来。
其次SIFT算法的计算量很大，每一个特征点都包含有128的特征描述向量，计算复杂，对于目标跟踪的实时性，SIFT算法没有优势[2-3]。
1 SIFT算法经典SIFT算法基于图像的特征尺度选择的思想，首先建立图像高斯差分空间，在整个尺度空间上检测极值点，滤除质量不好的极值点之后可精确到亚像素级的位置，同时也取得尺度值，提高特征点对于尺度变化的抗性，最后提取特征描述子。
SIFT算法的改进
SIFT算法的改进余博译;李美燕【期刊名称】《广西科学院学报》【年(卷),期】2014(000)001【摘要】[Objective]In order to reduce the reprojection error of reconstruction, an improved SIFT algorithm is proposed. [Method]Firstly, SIFT is used to detect and match the features. These match points are used as the initial match on normalized cross-correlation ( NCC ) . Then dominant direction of feature points is used for rotation correction of local image. Finally, the coefficient of normalized cross-correlationmatching( NCC) is calculated and the mismatches points in the similar geographical environment are removed.[Result]This method removes a lot of mismatches points, and improves the rate of correct matching and precision of reconstruction.[Conclusion]Experiment results show that the improved algorithm can achieve reconstruction effect.%[目的]为了减小三维重建的重投影误差,提出一种改进的SIFT( Scale Invariant Feature Transform)算法。
一种改进的SIFT篡改检测算法
一种改进的SIFT篡改检测算法张劲松;杨玫;周立新【摘要】In the process of SIFT ( Scale Invariant Feature Transform ) image registration algorithm, the principal orientation is affected by the dispersion of histogram. Besides,the feature descriptor section of conventional SIFT does not make full use of local feature information. Asto these problems,an improved SIFT algorithm on characteristic statistical distributions and consistency constraint will be presented.Firstly,DOG( Difference of Gaussian) scale space feature point detection method is adopted to extract key points. Then, in the process of principal orientation generation,our method selects line with maximum dispersion. Furthermore,this method generates feature descriptor based on characteristic statistical distributions in polar coordinate. Finally, a new matching method based on consistency constraint will be introduced. In experiments,the values of TPR(True Positive Rate) and FPR(False Positive Rate ) is 98. 03% and 7. 99%, we test the performances of our propose method. The experimental results demonstrate the feasibility and effectiveness of our approach.%针对数字图像的复制粘贴盲检测进行了研究,传统的筛选特征描述部分不充分检测图像信息,基于统计分布特征和一致性约束理论提出了一种改进的SIFT篡改检测算法.首先,建立高斯差分(DOC)尺度空间特征点检测方法以提取关键点.然后,在主要方向生成的过程中基于最大色散方法选择,此外,该方法基于统计特征生成特征描述的精确坐标、尺度值、像素区域尺寸值、边界标记、边界角和曲率.最后,基于一致性约束新的匹配方法将介绍.实验结果为真正类率(TPR)值为98.03%,假正类率(FPR)值为7.99%,验证了本文提出的方法的可行性和有效性.该算法对篡改区域的平移、缩放和旋转有较强的鲁棒性.【期刊名称】《电子器件》【年(卷),期】2017(040)006【总页数】6页(P1496-1501)【关键词】改进的SIFT;复制粘贴;篡改;鲁棒性【作者】张劲松;杨玫;周立新【作者单位】中国地质科学院岩溶地质研究所,广西桂林541004;中国地质科学院岩溶地质研究所,广西桂林541004;中国地质科学院岩溶地质研究所,广西桂林541004【正文语种】中文【中图分类】TP391随着数字化信息时代所产生的新技术和新产品给社会活动带来了较大的益处。
改进的SIFT特征提取和匹配算法
改进的SIFT特征提取和匹配算法曾峦;王元钦;谭久彬【期刊名称】《光学精密工程》【年(卷),期】2011(019)006【摘要】针对月球影像和尺度不变特征变换(SIFT)算法的特点,在改进SIFT特征提取算法的基础上,提出了一种稳健的图像自动匹配策略.首先,自动调整SIFT算法中的对比度控制系数,提高关键点提取的均衡性；然后,用SIFT描述向量之间的欧氏距离最小值与次小值的比值作为阈值,进行粗匹配,并利用匹配对主方向角度差直方图剔除部分伪匹配；最后,自动计算随机采样次数、误差容忍度等参数,使用改进的随机选取一致性(RANSAC)方法确定透视变换模型初始参数,并用该模型和误差容忍度对匹配集合中的匹配对进行校验,选取出正确的匹配对.实验结果表明,在图像有一定程度的视点、光照、旋转、比例、模糊和对比度变化等情形下,该算法稳定、可靠.该方法能有效解决图像匹配门限的选择问题,真正实现了无人工干预的自动匹配.【总页数】7页(P1391-1397)【作者】曾峦;王元钦;谭久彬【作者单位】哈尔滨工业大学,超精密光电仪器工程研究所，黑龙江哈尔滨150080;装备指挥技术学院，北京101416;哈尔滨工业大学,超精密光电仪器工程研究所，黑龙江哈尔滨150080;装备指挥技术学院，北京101416;哈尔滨工业大学,超精密光电仪器工程研究所，黑龙江哈尔滨150080【正文语种】中文【中图分类】TP391.41【相关文献】1.改进的GPU-SIFT特征提取与匹配算法 [J], 聂俊岚;陈欢欢;唐勇;张继凯2.基于改进Harris算法与改进的SIFT算法相结合的图像匹配方法 [J], 郭鲁;魏颖3.改进SIFT算法结合两级特征匹配的无人机图像匹配算法 [J], 邵进达;杨帅;程琳4.基于直方图均衡化的PCA-SIFT图像特征提取与匹配改进算法 [J], 何成伟;茅健5.基于光谱图像空间的改进SIFT特征提取与匹配 [J], 丁国绅;乔延利;易维宁;杜丽丽因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2017年6月图 学 学 报June 2017第38卷 第3期JOURNAL OF GRAPHICSV ol.38No.3基于余弦核函数的SIFT 描述子改进算法丁理想， 何 川， 李书杰(合肥工业大学计算机与信息学院，安徽 合肥 230009)摘要：原始的SIFT 特征描述子维数较高，包含较多的冗余数据，因而在各类应用中需要耗费较多的时间。
文中考虑到SIFT 描述子内部梯度向量之间的关系，采用基于余弦核函数的核主成分分析法对SIFT 特征描述子进行降维操作。
首先，提取样本图像的SIFT 特征描述子，利用余弦函数生成核主成分矩阵，提取其在主方向上的投影矩阵；然后，利用该投影矩阵对新采集的描述子进行降维操作。
实验中采用图像匹配的方式比较描述子性能，实验表明：该算法可以有效降低特征描述子的维数；同时，在不降低匹配准确率的情况下，能够获得比SIFT 多的匹配点，而且时间性能显著提高。
关键词：模式识别；图像配准；特征描述子；主成分分析法；余弦核函数中图分类号：TP 391.41 DOI ：10.11996/JG .j.2095-302X.2017030373 文献标识码：A 文 章 编 号：2095-302X(2017)03-0373-09An Improved SIFT Descriptor Based on Cosine Kernel FunctionDING Lixiang, HE Chuan, LI Shujie(School of Computer and Information, Hefei University of Technology, Hefei Anhui 230009, China)Abstract: The SIFT descriptor has been widely used in the field of computer vision thanks to itsvarious invariant attributes; however, its high dimensionality results in redundant data and makes it time-consuming for application. Therefore, a novel algorithm, considering the inner relationship between gradient vectors in SIFT descriptor, is presented in this paper, which utilizes the principal component analysis method based on cosine kernel function. First, a principal component matrix, which is used to compute the principal direction of the projection matrix, is generated by using cosine kernel function to extract SIFT descriptors from the sample images. Then, the projection matrix is applied to the dimensionality reduction of the SIFT descriptors from the new images. In the experiment, we evaluate the performance of descriptors by means of image matching. The results indicate that our method can efficiently reduce the dimensionality and also obtain more matches without sacrificing the matching accuracy and meanwhile improve time performance.Keywords: pattern recognition; image registration; local descriptor; principal component analysis; cosine kernel function特征描述子用于描述图像中具有显著的特征，通常量化为多维向量的形式，其作为计算机视觉的基础研究内容，被广泛应用于目标识别、图像配准、场景理解、三维重建等诸多领域。
其中，最普遍的应用是在图像匹配领域：在图像匹配算法中，描述子的可靠性直接影响不同点之间374 视觉与图像 2017年相似度的计算结果；反之，图像特征点匹配的结果也同样反映特征描述子性能的优劣。
迄今，关于特征描述子的研究很多。
例如：侯毅等[1]提出了一种GIFT描述子，该描述子本质为多特征尺度不变特征。
该算法首先利用2D Gabor滤波器进行特征点检测，而后使用初级视觉感知模型的方法进行改进，从而有效地减少了特征冗余，并且更加符合视觉感知特性。
杨恒和王庆[2]提出了一种新的不变特征点检测和描述算法。
该算法首先检测Harris角点，然后以其为中心，再利用差分高斯空间，检测出图像中的特征点，最后基于梯度的距离和方向直方图，获得一个64维的特征描述子。
该算法能够有效利用Harris角点信息，提高了特征点检测的鲁棒性，并且生成的描述子维数较低，使得时间性能得以提升。
RUBLEE等[3]在BRIEF描述子的基础上，提出一种新的快速二值描述子——ORB。
ORB描述子在BRIEF的基础上，为每个特征点描述子添加主方向，使其具备旋转不变性。
同时采用贪婪穷举法，去除相关度较低的点。
该算法具有很好的时间性能，且具有旋转不变性，但无法满足尺度不变性和光照不变性。
在诸多描述子中，最经典、最广为使用的是LOWE[4]提出的SIFT描述子。
该描述子获得的匹配点数量多，且具有良好的尺度不变性、仿射不变性、旋转不变性和亮度不变性等，使得该描述子具有较好的鲁棒性。
SIFT描述子的提出，在某种程度上已成为图像匹配领域乃至计算机视觉领域发展的重要里程碑。
该算法的主要思想是，首先通过差分高斯空间，找出图像中的特征点；之后通过特征点周围像素的梯度向量，生成特征点的描述子，该描述子高达128维。
蒋建国等[5]基于运动预测，在运动视频相邻帧之间建立SIFT特征点对，实现在摄像机旋转运动时对目标的快速检测。
王斌[6]提出利用不变的傅里叶变换的区域形状描述子，可以应用于图像检索。
该算法对图像的形状像素矩阵进行两次傅里叶变换，形成图像区域形状描述子，该描述子具有较高的精确度。
在SIFT描述子提出之后，有很多优秀的描述子提出，但是对于描述子的不变性方面，SIFT描述子具有优越的性能，在匹配的鲁棒性和普适性仍然具有一定优势。
例如局部聚合描述子[7] (aggregating local descriptors)就是对SIFT描述子的有效应用。
文献[7]提出一种有效的图像整体描述子，在图像检索的同时，能够快速的在超大规模的图像库准确的找出检索图像。
其算法通过k-mean算法聚合图像中的SIFT描述子，形成码书。
再利用主成分分析法(principal component analysis，PCA)，将图像码书降维成一个20字节的码字，从而形成一个准确且体积很小的整体图像描述子。
该算法能够有效地将SIFT描述子应用于图像检索，并取得较好的实验结果。
然而，SIFT算法尚存在不足之处，主要表现在：算法过程复杂，时间性能较差，无法满足应用系统的实时性需求等方面。
因此，在SIFT的改进研究中，衍生出许多围绕SIFT描述子的时间性能进行改进的算法。
例如：BAY等[8]提出了SURF 算法，该算法考虑到SIFT描述子在差分高斯空间生成和极值点检测的过程中时间性能不好的情况，采用海森矩阵的方法提取图像中的特征点，并使用海尔特征的方法提取特征点的主方向，从而生成特征描述子。
该算法的运算速度是SIFT的3倍以上，并且在多幅图像的配准中具有较高鲁棒性。
不过，该算法在尺度、旋转和模糊不变性的表现上不如SIFT描述子[9]。
另外，针对SIFT特征描述子维数较高的问题，很多学者提出对其进行降维的解决方案。
其中，比较有效的是PCA-SIFT[10]算法。
该算法使用PCA 提取SIFT描述子中的主要成分，通过PCA能够简单有效地降低SIFT特征描述子的维数。
然而，PCA 主要针对待降维数据线性降维，而SIFT特征描述子数据并非呈现出线性分布特征。
因此，PCA-SIFT 算法提取主成分的时候存在结果不准确的问题，从而影响到图像匹配性能的好坏。
总之，以上几个算法在对SIFT改进的同时，都不同程度地摈弃了描述子中的一些有用信息。
因此，经这些算法改进后的描述子，在用于匹配时获得的匹配点对数要比SIFT少。
而理论上，如果能够准确去除描述子中的冗余信息，会使得描述子结构更加紧凑，不仅会有助于提高匹配准确率，同时也会增加匹配点的个数。
本文在研究SIFT特征描述子内部向量之间的关系后，提出了一种准确去除冗余信息的降维方法。
该算法的核心思想是利用基于余弦核函数的核PCA对SIFT特征描述子进行降维：首先将原始的SIFT特征描述子映射到一个角度相关的隐式空第3期 丁理想，等：基于余弦核函数的SIFT 描述子改进算法 375间，再利用核PCA 提取更加准确的主成分。
实验采用图像匹配的方式，针对不同描述子进行性能的比较和评价。
实验表明本文算法在图像匹配实验中，获取的匹配点个数比原始SIFT 描述子多30%，准确度也高于原始SIFT 描述子，并且各个方面的性能超过PCA-SIFT 算法，同时由于维数的降低，其在应用中的时间复杂度也得到进一步改善。
1 SIFT 描述子概述SIFT 描述子，即尺度不变描述子，由David G Lowe 在1999年首次提出，在2004年形成完善算法，并将其应用在目标识别的研究中。
SIFT 算法可以概括地分为特征点的检测和特征点描述子的生成，前一部分通过检测算法找出图像中的特征点坐标信息，后一部分根据梯度向量信息生成特征点描述子。
SIFT 算法的最突出的贡献就是给出一种优秀的特征描述子，该描述子具有良好的尺度、旋转、光照和模糊不变性，使得每一个特征点具有良好的唯一性和鲁棒性。
总之，SIFT 算法的核心思想是：利用差分高斯空间检测特征点，并通过寻找特征点的主方向和特征点周围64个像素的梯度向量生成SIFT 描述子。