SIFT（Scale Invariant Feature Transform）算法由D.GLowe于1999年提出，2004年哥伦比亚大学的David Lowe 提出了一种新的提取特征点的算法—SIFT算法。 后来，Yoke将其描述子部分用PCA代替直方图的方式，对SIFT算法进行改进，目前基于改进SIFT特征点的算法在图像处理中的应用越来越广泛，而且近年来这方面的研究也取得了很大的成果。较好的解决了物体遮掩、旋转缩放、视觉变换引起的图像变形等问题。在图像提取算法百花齐放的时候，SIFT算法作为一个崭新特征提取的技术，具有强大和精确的匹配能力和广阔的发展和应用空间。对SIFT算法的改进和优化方法也有很多，如降低特征向量维数，增强算法的独特性和鲁棒性等。目前新型改进算法CSIFT，将SIFT与颜色不变量相结合。SIFT算子的应用邻域很广泛，目前已应用于目标识别、移动物体识别和图像配准和全景拼接等邻域，并仍有很大研究潜力；尤其在图像检索中的应用研究也有很广泛的应用意义和价值。因此SIFT算法将在以后将被更多研究者深入的研究，并具有更实用的应用价值。图像配准的用处很广泛，其技术广泛应用于计算机视觉、目标跟踪、医疗诊断等许多方面。景象匹配技术给予图像匹配的原理，以其定位的精确度在理论上与射程无关和自主性强等特点，成为组合导航中颇受重视的关键技术之一。在遥感领域，实现图像融合、变化检测、图像校正、图像镶嵌等应用中，图像匹配都是必不可少的一个关键步骤。

SIFT 算法的基本思想是在尺度空间寻找极值点，提取特征点在位置、尺度、旋转不变量的局部特征算法。SIFT 算法中的低层次特征摄取是选取那些显著特征，这些特征具有图像尺度和旋转不变性，且对光照变化具有一定程度的不变性。同时，该方法还可以减少由遮挡、杂乱和噪声所引起的低提取概率。 SIFT 算法建立图像的多尺度空间，保证特征选取不依赖于特征大小和特征朝向，基于多尺度空间的同一个特征点检测，确定特征点的位置与尺度信息，以达到尺度抗缩放的目的。同时，该算法将图像中较低对比度的点和边缘响应点作了剔除，利用旋转不变特征描述符来减弱抗仿射变换，经实验证明，SIFT 算法对图像特征点提取具有高可靠性与强健壮性，是目前国内外研究的热点。

2. 研究的基本内容与方案

研究的基本内容是研究SIFT物体触觉感知图像的特征提取方法以及实现基于上述特征的物体识别算法。

SIFT 算法是基于图像突出点的强特征，它们不会因光照条件的改变而消失，以达到在不同尺度空间上特征点的查找，特征点具有尺度、方向、大小 3 个基本特征，SIFT 的基本模型如图 1 所示。

图 1 SIFT 算法模型

SIFT 算法的基本思想是在尺度空间寻找极值点，提取特征点在位置、尺度、旋转不变量的局部特征算法。SIFT 算法中的低层次特征摄取是选取那些显著特征，这些特征具有图像尺度和旋转不变性，且对光照变化具有一定程度的不变性。同时，该方法还可以减少由遮挡、杂乱和噪声所引起的低提取概率。 SIFT 算法建立图像的多尺度空间，保证特征选取不依赖于特征大小和特征朝向，基于多尺度空间的同一个特征点检测，确定特征点的位置与尺度信息，以达到尺度抗缩放的目的。

SIFT 算法的实现主要有 4 个步骤：

①检测尺度空间极值点；

进行尺度空间适当采样后，可进行不同尺度间的分析。把一个中间的采样点与和它在同一尺度的 8 个相邻点，或在上下相邻尺度对应的 9 个相邻点共 26 个点比较，以此来决定该点是最大值或者是最小值，确保对检测点和它同尺度、相邻尺度空间及二维图像空间都检测到极值点。

②精确定位极值点，确定关键点的位置和尺度；