SIFT（尺度不变特征变换，Scale-Invariant Feature Transform）是在计算机视觉领域中检测和描述图像中局部特征的算法，该算法于1999年被David Lowe提出，并于2004年进行了补充和完善。该算法应用很广，如目标识别，自动导航，图像拼接，三维建模，手势识别，视频跟踪等。不幸的是，该算法已经在美国申请了专利，专利拥有者为Lowe所在的加拿大不列颠哥伦比亚大学，因此我们不能随意使用它。
由于SIFT算法在计算机视觉的特征检测和特征描述中表现十分优异，因此该算法一经提出，就引起了广泛的关注。国内外对其研究的人很多，相关的资料也很多。在csdn中，有几位作者的文章对SIFT算法介绍得很详细，如网名为：zddhub、Rachel Zhang和xiaowei_cqu。由王永明和王贵锦所编著的，由国防工业出版社出版的《图像局部不变性特征与描述》也对该算法进行了详细的介绍。上述文章对我帮助很大。
经过一段时间的研究，并结合opencv中的源代码，自认为对SIFT算法有了一定的认识和体会，因此也写了一篇关于SIFT的文章。该文章共分为三部分，首先是SIFT的算法分析，然后是opencv的源码分析，最后是应用实例。在算法分析中，注意了每个细节的描述；在源码分析中，基本做到了每条代码都进行了注释；在应用实例中，列举了特征提取和图像匹配两个实例。
本想把这篇文章发表在这里，但文章比较长（有30多页），关键是公式太多，复制粘贴太麻烦，排版也不好。因此我把这篇文章分别上传到了csdn和百度文库，地址是：
http://wenku.baidu.com/view/d7edd2464b73f242336c5ffa.html
http://download.csdn.net/detail/zhaocj/8294793
可以在线阅读，也可以免费下载（在这里，鄙视那些设置下载权限和积分的人！！！）。如果上述方法都不方便，可以留下email，向我索要。文章中错误的地方欢迎指正！
为了不使这篇博文过于空洞，我把这篇文章的第三部分粘贴在这里。
首先给出的是特征点的检测：
#include "opencv2/core/core.hpp"
#include "highgui.h"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/nonfree/nonfree.hpp"
using namespace cv;
//using namespace std;
int main(int argc, char** argv)
{
Mat img = imread("box_in_scene.png");
SIFT sift; //实例化SIFT类
vector<KeyPoint> key_points; //特征点
// descriptors为描述符，mascara为掩码矩阵
Mat descriptors, mascara;
Mat output_img; //输出图像矩阵
sift(img,mascara,key_points,descriptors); //执行SIFT运算
//在输出图像中绘制特征点
drawKeypoints(img, //输入图像
key_points, //特征点矢量
output_img, //输出图像
Scalar::all(-1), //绘制特征点的颜色，为随机
//以特征点为中心画圆，圆的半径表示特征点的大小，直线表示特征点的方向
DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
namedWindow("SIFT");
imshow("SIFT", output_img);
waitKey(0);
return 0;
}
结果如下图所示：
上面的程序需要说明一点的是，如果需要改变SIFT算法的默认参数，可以通过实例化SIFT类的时候更改，例如我们只想检测20个特征点，则实例化SIFT的语句为：
SIFT sift(20);
下面给出利用描述符进行图像匹配的实例：
#include "opencv2/core/core.hpp"
#include "highgui.h"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/nonfree/nonfree.hpp"
#include "opencv2/legacy/legacy.hpp"
using namespace cv;
using namespace std;
int main(int argc, char** argv)
{
//待匹配的两幅图像，其中img1包括img2，也就是要从img1中识别出img2
Mat img1 = imread("box_in_scene.png");
Mat img2 = imread("box.png");
SIFT sift1, sift2;
vector<KeyPoint> key_points1, key_points2;
Mat descriptors1, descriptors2, mascara;
sift1(img1,mascara,key_points1,descriptors1);
sift2(img2,mascara,key_points2,descriptors2);
//实例化暴力匹配器——BruteForceMatcher
BruteForceMatcher<L2<float>> matcher;
//定义匹配器算子
vector<DMatch>matches;
//实现描述符之间的匹配，得到算子matches
matcher.match(descriptors1,descriptors2,matches);
//提取出前30个最佳匹配结果
std::nth_element(matches.begin(), //匹配器算子的初始位置
matches.begin()+29, // 排序的数量
matches.end()); // 结束位置
//剔除掉其余的匹配结果
matches.erase(matches.begin()+30, matches.end());
namedWindow("SIFT_matches");
Mat img_matches;
//在输出图像中绘制匹配结果
drawMatches(img1,key_points1, //第一幅图像和它的特征点
img2,key_points2, //第二幅图像和它的特征点
matches, //匹配器算子
img_matches, //匹配输出图像
Scalar(255,255,255)); //用白色直线连接两幅图像中的特征点
imshow("SIFT_matches",img_matches);
waitKey(0);
return 0;
}
结果如下图所示：
程序是通过距离测度实现两幅图像描述符之间的比较的，距离越小，匹配性越好，越说明这两个描述符表示的是同一事物。描述符的匹配结果保存在匹配器算子matches中。如果直接使用matches，匹配效果并不好，因为它是尽可能的匹配所有的描述符。因此我们要进行筛选，只保留那些好的结果。在这里，我们利用排序，选择距离最小的前30个匹配结果，并进行输出。另外，matcher.match函数中，两个描述符的顺序一定不能写反，否则运行会出错。