1、Daisy描述子
Daisy描述子由Engin Tola等人在07年的CVPR上提出，它是面向稠密特征提取的可快速计算的局部图像特征描述子，建立在sift和gloh算子的基础上。其本质思想和SIFT是一样的：分块统计梯度方向直方图，不同的是，DAISY在分块策略上进行了改进，利用高斯卷积来进行梯度方向直方图的分块汇聚，这样利用高斯卷积的可快速计算性就可以快速稠密地进行特征描述子的提取。
（1）网站：http://cvlab.epfl.ch/software/daisy；（2）论文：
A Fast Local Descriptor for Dense Matching_tola_cvpr07；
DAISY:An Efficient Dense Descriptor Applied to Wide Baseline Stereo_tola_pami09。
2、静脉识别和3D人脸识别
最近看到BUAA的Di Huang将Daisy描述子应用于静脉识别和3D人脸识别，参考他的这两篇paper：
第一篇的3D人脸识别中他采用的是PFI操作（Perceived Facial Images），然后SIFT提特征，最后采用和SIFT匹配相似的匹配方式，不过加了一个采用遗传算法进行得分加权融合的过程；第二篇的静脉识别中采用的是OGM操作（Oriented Gradient Maps），然后SIFT提特征，最后进行得分加权融合的过程，加权融合的方法参考的是这篇IJCV08的paper：Keypoint Detection and Local Feature Matching for Textured 3D Face Recognition。
这里提到的PFI和OGM实际就是Daisy描述子的计算过程。Daisy描述子对每个点会产生一个25*8维的特征向量，例如对于64*64的图像，daisy描述子产生的是4096*200的矩阵，Di Huang的论文只取每个点的前8维特征向量，这样对于一幅图像来说，相当于只取前8个daisy
map，后面的map包含的细节越来越少，可以舍弃掉。
3、应用于静脉识别
结合自己的理解，大致说一下Hand Vein那篇paper的脉络。对于每个gallery sample（可简单理解成训练样本），作如下过程：
（1）首先使用Daisy描述子计算daisy map，取前8个map，逐个reshape为图像原尺寸并采用min-max rule归一化之后，组成每幅图像的OGM：
（2）对于OGM中的每个map做SIFT操作，得到128*M的SIFT特征矩阵（M为key points的个数）：
sample逐个进行匹配，匹配过程如下：
sample对一个gallery sample的匹配向量（Ni为第i个map的匹配点数目）：
（4）将每一个probe sample与所有gallery sample做这个过程，这样就得到probe sample与所有gallery sample在8个map上的匹配向量，组成一个匹配得分矩阵（这里可以对每个匹配向量做一次min-max归一化）
（5）对得分矩阵进行加权融合。假设Ni表示第i个map在第g个gallery sample上的匹配点数目，则权重计算如下：
