中科院计算机视觉特征匹配
特征匹配的三个步骤
特征匹配的三个步骤特征匹配是一种常用的图像处理和计算机视觉领域的技术，它可以通过比较图像中的特征点来找出两幅图像之间的相似性。
特征匹配的三个步骤包括特征提取、特征描述和特征匹配。
一、特征提取特征提取是特征匹配的第一步，它的目标是从图像中提取出最具代表性的特征点。
常用的特征点包括角点、边缘点和斑点等。
在进行特征提取时，需要考虑到图像中的噪声和变形等因素，选择合适的特征提取算法。
在特征提取的过程中，一种常用的方法是使用Harris角点检测算法。
该算法通过计算图像中每个像素点的角点响应函数来识别角点。
角点是图像中灰度变化最大的点，具有较高的信息量和稳定性。
二、特征描述特征描述是特征匹配的第二步，它的目标是对提取出的特征点进行描述，将其转换为具有可比性的特征向量。
常用的特征描述算法包括SIFT（尺度不变特征变换）、SURF（加速稳健特征）和ORB （Oriented FAST and Rotated BRIEF）等。
在特征描述的过程中，SIFT算法是一种经典的方法。
它通过对特征点周围的局部区域进行尺度空间的变换和高斯模糊处理，得到特征点的尺度不变描述子。
这种描述子具有旋转不变性和尺度不变性，能够更好地描述特征点的特征。
三、特征匹配特征匹配是特征匹配的最后一步，它的目标是找出两幅图像中具有相似特征的特征点对。
特征匹配可以通过计算特征向量之间的相似度来实现，常用的相似度度量方法包括欧氏距离、汉明距离和余弦相似度等。
在特征匹配的过程中，一种常用的方法是使用最近邻法。
该方法将待匹配图像中的每个特征点与参考图像中的特征点进行比较，选择距离最近的特征点作为匹配点。
通过设定一个阈值来判断匹配点的可靠性，可以过滤掉不可靠的匹配点。
特征匹配是一种通过比较图像中的特征点来找出两幅图像之间的相似性的技术。
它包括特征提取、特征描述和特征匹配三个步骤。
特征匹配在图像处理和计算机视觉领域有着广泛的应用，如图像拼接、目标跟踪和图像检索等。
多边形近似及形状特征匹配的二维目标检测
Ｐ 在 ， 的 ８邻域 方 向为 Ｃ ， 么 Ｉ 一ｃ Ｉ 川 那 ｃ … ：０则
Ｐ 为线 性点 ；Ｃ 一 Ｉ ３ｏ ｆ ｃ ＝ ｒ ５表示 ｐ 与 Ｐ 的方 向夹 角 为 １５ ， ３ 。 这些 点 将 作 为 初 始关 键 点 ； 如果 没
似处 理 ， 以看 出分 段 多边 形 近 似 的 方法 可 以得 到 可
一
个 比较好 的结 果 。
预处 理过程 ， 包括 图像平 滑 去 噪 、 缘 提 取 等 。 边 当图像 对 比度 较 高时可通 过 阈值化 ： 形 态学 平 及
滑二值 图像 后 再 提取 边缘 ， 而对 比度 较差 时可 结
ｓ ｎ ｕ ｈｄｗ ，ｏｃ ｉ ｎ ｖｒ ｐ ｉ ｂｅｔｉ ｓｍ ｏ ｐｉ ｔ ｎｉ ｎ ｅｔ Ｔ ｅｅｐ ｒ ｅｔ ｅｕｔ ｉ ｓｄｅｔ ｓａ ｏ ｓ ｔ ｈｎ ａｄｏｅｌ ｐｎ ｏｊｃ ｎ ｏ ｅｃｍ ｌ ａ ｄｅ ｖ ｏｍ ｎｓ ｈ ｘ ｅ ｍ ｎ ｌｒｓｌ ｏ ｏ ｕ ｇ ａ ｇ ｃｅ ｒ ． ｉ ａ ｓ
ｓａ ａｕｅ ｆｓ ｎ ｎ ｏｅ ｗｔ ｅｈｉｕ ａ ｅ Ｙ Ｅ Ｈ ｐｔ ｓｓＰｅｉ ｅ ｎ ｖｌａ ｄ Ｒ ｃｒ ｈｐ ｆ ｔｒｓ ｃ ｅａｄ ｍ ｄｌ ｉ ａｔｃｎｑｅｃｌ ｄ Ｈ Ｐ Ｒ（ Ｙ ｈ ｅ ｒｄ ｔｄａｄ Ｅ ａｕｔ ｅｕ． ｅ ｅ ｏ ｅ ｈ ｌ ｏ ｅ ｃ ｅ ｓ ｅ ） Ｔ ｅｄｓｒ ｔ ｎｏ ａｅｆ ｔｒ ｉｏ ｔｎｄｂ ｏ ｇｎｌ ｐ ｒｘ ａ ｏ ， ｈ ｈｉ ｌ ａ ａｄｃｍ ａｔＴ ｉａ— ｉ ｌ ． ｈ ｅｃ ｐｉ ｆ ｈｐ ａｕｅ ｓ ｂａ ｅ ｙｐｌ ｏａ ａ ｐｏｉ ｔ ｎｗ ｉ ｃｌ ｎ ｏ ｐ ｃ ｈｓ ｐ ｖｙ ｉ ｏ ｓ ｅ ｉ ｙ ｍ ｉ ｃ ｓｏ ．
机器视觉处理算法中特征点匹配常用方法
一、介绍在机器视觉处理算法中，特征点匹配是一个重要的环节，它是指在两幅图像中找到相对应的特征点的过程。
特征点匹配的准确度会直接影响到后续的物体识别、目标跟踪、三维重建等任务的效果。
特征点匹配的算法选择和设计是至关重要的。
本文将针对机器视觉处理算法中特征点匹配常用方法进行全面评估，并提供个人观点和理解。
二、常用的特征点匹配方法1. Harris角点检测Harris角点检测是一种常用的特征点提取方法，通过计算图像的灰度变化来检测角点。
通过非极大值抑制和角点响应函数来筛选出最具代表性的角点。
2. SIFT特征匹配SIFT是一种基于局部特征的描述符，它通过在不同尺度空间和不同方向上寻找局部极值来检测图像的关键点，然后使用特征描述符进行匹配。
3. SURF特征匹配SURF是对SIFT算法的改进，它使用了快速Hessian矩阵检测关键点，并使用加速的Haar小波特征描述符进行匹配。
4. ORB特征匹配ORB是一种同时具备SIFT和SURF的优点的算法，它结合了FAST角点检测和BRIEF描述符，具有更快的速度和更好的性能。
5. 其他方法除了上述常用的特征点匹配方法，还有基于深度学习的方法、基于颜色直方图的方法、基于形状上下文的方法等，这些方法根据具体任务和应用场景选择的灵活性更强。
三、个人观点和理解在特征点匹配的方法中，不同的算法适用于不同的场景和要求。
对于实时性要求较高的场景，可以选择ORB特征匹配算法；对于精度要求较高的场景，可以选择SIFT或SURF特征匹配算法。
结合深度学习的方法可以在特定数据集上取得更好的效果。
在实际应用中，需要根据具体情况进行选择和组合使用。
四、总结回顾特征点匹配在机器视觉处理算法中起着至关重要的作用，不同的方法都有各自的优势和局限性。
通过本文的介绍，可以看出特征点匹配算法的发展已经非常成熟，并且在不断地向着更加快速、精确以及适用于更多场景的方向发展。
对于我个人而言，特征点匹配算法的研究不仅是对图像处理技术的挑战，更是对计算机视觉领域的探索。
特征 图像匹配算法
特征图像匹配算法1. 简介特征图像匹配算法是一种计算机视觉中常用的算法，用于在两幅图像之间找到相对应的特征点，并将它们匹配起来。
这种算法在多个应用领域都有广泛的应用，包括图像检索、三维重建、目标跟踪等。
特征图像匹配算法的核心思想是通过提取图像中的关键特征点，然后计算这些特征点的描述子，在不同图像中进行匹配，找到相对应的特征点。
这些特征点通常是图像中的角点、边缘或者纹理等具有区分性的部分。
2. 特征提取在特征图像匹配算法中，特征点的提取是首要任务。
常用的特征点提取算法包括Harris角点检测、SIFT（Scale-Invariant Feature Transform）、SURF （Speeded-Up Robust Features）等。
•Harris角点检测是一种通过计算图像中像素点周围的灰度变化来检测图像中的角点的算法。
它主要是通过计算图像中每个像素点的窗口内的像素梯度的方差来确定是否为角点。
•SIFT是一种尺度不变特征变换的算法，它可以在不同大小和旋转角度的图像中匹配特征点。
SIFT算法首先通过高斯滤波器进行图像平滑，然后通过DoG（Difference of Gaussians）算子检测图像中的极值点作为特征点。
•SURF是一种类似于SIFT的特征提取算法，但它具有更快的计算速度和更好的旋转不变性。
SURF算法通过检测图像中的极值点，并计算它们的Haar小波特征来提取特征点。
3. 特征描述在特征提取之后，需要对特征点进行描述，以便在不同图像中进行匹配。
常用的特征描述算法包括ORB（Oriented FAST and Rotated BRIEF）、BRISK（Binary Robust Invariant Scalable Keypoints）等。
•ORB是一种具有旋转不变性和尺度不变性的特征描述算法。
它通过计算特征点周围的像素点在不同方向上的灰度变化来生成特征点的描述子。
最后，ORB算法将描述子通过二进制编码，以降低计算复杂度。
又快又准的特征匹配方法
又快又准的特征匹配方法又快又准的特征匹配方法是计算机视觉领域中非常重要的一个问题。
特征匹配是指在两个或多个图像中找到具有相似性的特征点，并建立它们之间的对应关系。
特征匹配在很多应用中都有广泛的应用，如图像配准、目标检测和跟踪等。
在过去的几十年中，研究人员提出了许多特征匹配方法，其中一些方法即使在处理大规模数据集时也能提供很高的匹配准确性和效率。
下面将介绍几种又快又准的特征匹配方法。
1.SIFT（尺度不变特征变换）SIFT是一种非常经典的特征匹配算法，在很多应用中都被广泛使用。
它通过将图像中的特征点转换成尺度、旋转和亮度不变的向量，然后使用特征向量之间的欧氏距离来进行匹配。
SIFT算法具有很高的匹配准确性和鲁棒性，但在处理大规模数据集时会存在时间和空间复杂度较高的问题。
2.SURF（加速稳健特征）SURF是一种基于SIFT的改进算法，能够在保持较高匹配准确性的同时提高匹配的速度。
SURF算法用Hessian矩阵来检测特征点，并通过使用积分图像来加速特征描述子的计算。
这种基于加速稳健特征的特征匹配方法比SIFT更快、更鲁棒，适用于处理大规模数据集。
3.ORB（方向倒角二值描述子）ORB是一种在效率和准确性之间取得平衡的特征匹配算法。
它结合了FAST关键点检测器和BRIEF特征描述子，使用方向倒角二进制描述子来表示特征点，从而使得匹配速度更快。
ORB算法在实践中表现良好，尤其适用于移动设备上的实时应用。
4.BRISK（加速鲁棒特征）BRISK是一种能够提供快速、鲁棒特征匹配的算法。
它通过快速角点检测器来检测特征点，并使用二进制描述子来进行特征匹配。
BRISK算法具有较低的计算复杂度和内存消耗，并且能够在保持较高的匹配准确性的同时提供很高的速度。
TCH（局部联合二进制特征）LATCH是一种基于二进制特征匹配的算法，具有很高的匹配速度和鲁棒性。
LATCH算法通过使用快速特征检测器和局部联合二进制描述子来检测和匹配图像中的特征点。
特征匹配 匹配策略
特征匹配匹配策略：
特征匹配是图像处理和计算机视觉中的重要技术，用于在两幅或多幅图像之间找到对应的特征点，并建立特征点之间的对应关系。
特征匹配的匹配策略主要有以下几种：
1.基于阈值的匹配策略：通过设定阈值来比较两个特征点之间的相似度，如果相似度
大于阈值，则认为这两个特征点是匹配的。
这种策略简单、快速，但容易受到光照、旋转等因素的影响，匹配精度不高。
2.基于最近邻距离比的匹配策略：首先计算两个特征点之间的距离，然后通过比较该
距离与次近邻距离的比值来判断是否匹配。
这种策略能够排除一些不准确的匹配点，但计算复杂度较高。
3.基于特征描述符的匹配策略：通过提取特征点的特征描述符（如SIFT、SURF等），
然后比较两个特征点的描述符是否相似来判定是否匹配。
这种策略对光照、旋转等变化具有一定的鲁棒性，但计算量大，需要较长的计算时间。
4.基于深度学习的匹配策略：利用深度学习技术进行特征点的匹配，如卷积神经网络
（CNN）等。
这种策略能够自动学习特征表示，具有较高的匹配精度和鲁棒性，但需要大量的训练数据和计算资源。
特征匹配算法
特征匹配算法
特征匹配算法是计算机视觉领域中的一种常见的算法，它的主要功能是在图像中检测匹配的特征点，以实现图像的定位、对齐、重建等。
它是一种基于模板匹配的算法，也称为特征点检测算法，可以用来识别图像中的特征点，并将它们与另一个图像中的特征点进行匹配。
特征匹配算法主要分为两个阶段：特征提取和特征匹配。
在特征提取阶段，将图像划分成一些子图像，称为特征单元，然后从每个特征单元中提取一组特征点，并建立特征点的描述子，以便在后面的特征匹配阶段进行匹配。
在特征匹配阶段，将两幅图像中的特征描述子进行比较，以找出最相似的特征点，这就是特征匹配的主要过程。
特征匹配算法在计算机视觉领域有着广泛的应用，它可以用来识别目标物体，并在不同图像中对它们进行跟踪。
此外，它还可以用来检测图像中的边缘和轮廓等，以及实现图像的定位、旋转、缩放、平移等多种变换。
因此，特征匹配算法在计算机视觉领域的应用非常广泛，是提高图像处理效率的重要方法。
计算机视觉中的图像匹配技术研究
计算机视觉中的图像匹配技术研究计算机视觉是计算机科学中的一个重要方向，它致力于使计算机看懂和理解图像或视频中的内容。
而图像匹配技术又是计算机视觉中的一个重要子领域。
它通过对两幅或多幅图像进行特征提取和比对，来判断它们是否是同一物体或场景。
现在，我们就来一起探究一下图像匹配技术的研究发展和应用情况。
1. 特征提取在对两幅或多幅图像进行匹配之前，需要先对它们进行特征提取。
特征是图像中最具有代表性的、最具有区分度的部分。
因此，特征提取的好坏直接影响到图像匹配的精度和效率。
常用的图像特征有：SIFT（尺度不变特征转换）、SURF（加速稳健特征）、ORB（旋转不变性特征）、BRISK（加速稳健特征）、FAST（高速角点检测算法）等。
它们通过不同的算法来提取图像中的关键点和对应的描述子。
可以根据实际需要选择合适的特征算法。
2. 特征匹配特征匹配是通过比较两幅图像中的特征点，找到一一对应的匹配点。
特征点的匹配是通过计算它们的描述子之间的距离或相似度，来判断它们是否匹配。
如果匹配点的数量足够多，就可以计算出两幅图像之间的变换矩阵，从而完成图像配准。
常用的特征匹配算法有：暴力匹配算法、基于k-d树的最近邻匹配算法、基于FLANN的最近邻匹配算法、基于RANSAC的特征匹配算法等。
它们在匹配速度、准确性、鲁棒性和对噪声的处理能力方面有所不同。
3. 图像拼接图像拼接是图像匹配技术的一个重要应用，它可以将多幅图像拼接成一幅大图。
图像拼接常用的方法有：基于平面投影变换的拼接、基于柱面投影变换的拼接、基于球面投影变换的拼接、基于全景图像拼接的拼接等。
图像拼接的核心是图像配准，而图像配准的精度和鲁棒性取决于特征提取和特征匹配的效果。
对于大场景的图像拼接，需要选择合适的算法和技术来提高图像配准的精度和鲁棒性。
4. 目标跟踪目标跟踪是将自动跟踪目标进行跟踪，以便在未来的帧上追踪目标。
它的应用范围广泛，包括视频监控、自动驾驶、虚拟现实等领域。
- 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)。
为什么要匹配特征
物体识别
D. Lowe, 2004
为什么要匹配特征
三维重建
Internet Photos (“Colosseum”)
Reconstructed 3D cameras and points
N. Snavely, 2006
为什么要匹配特征
Sony Aibo
• Recognize charging station
特征匹配
用于定量衡量匹配质量的指标—ROC曲线 ROC：Receiver Operating Characteristic curve
1
• 阈值最高时，ROC曲线在 左下角； • 阈值最低时，ROC曲线在 右上角； • ROC曲线越靠近左上角（ ROC曲线下面积越大）性 能越好。
0.7
true positive rate
特征描述—DAISY
DAISY的基本思想
SIFT描述子中每一个值对应一个子区域内某一方向的梯度幅值加权和 ，权值大小与到特征点的距离以及到子区域两个边缘的距离有关。
特征描述—DAISY
DAISY的基本思想
可以将SIFT使用的梯度图看作由图像 点位置（u,v）和朝向（ori）构成的三 维空间图，其中每一个空间点的值与 梯度幅值、到特征点的距离、以及到 子区域两个边缘的距离有关。 DAISY基本思想：提前计算好一系列 梯度方向图，在构造描述子时可以反 复使用，从而提高效率。
特征描述—SIFT
梯度直方图
• • • • 计算特征点窗口内每个图像点的梯度方向和梯度幅值； 将梯度幅值图进行高斯平滑（避免窗口微移导致描述子剧变）； 将窗口划分成子区域（图示为2×2 ），统计每个子区域内的梯度方 向直方图（图示中箭头为方向，长度为梯度幅值加权和）； 梯度幅值的权重为图像点到子区域两个边缘的距离乘积。
每一个特征点的参数： ������, ������, ������, ������
������
特征描述—MOPS
构造MOPS描述子
• • • • • 以特征点为中心根据 主方向取一个40×40 的窗口； 将窗口主方向旋转至 水平； 窗口下采样至8×8； 窗口灰度归一化（每 一个像素灰度减去均 值、除以标准差）； 对窗口进行Haar小波 变换，将小波系数写 成一个64维向量构成 描述子。
特征描述—DAISY
DAISY：the descriptor looks like a flower
• • DAISY计算速度比SIFT快很多； DAISY在每一个图像点上计算描述子（用于稠密匹配），SIFT主要 用于特征点（角点）的描述（当然也可以描述任意图像点）。
(Tola, Lepetit, and Fua,, 2010)
•
•
Communicate with visual cards
Teach object recognition
特征匹配
有时候匹配是一件很简单的事
立体相机红外探针匹配
特征匹配
但大多数时候很复杂
特征匹配—基本思路
• 特征准确匹配的要求是待匹配特征对平移、2D/3D旋转、光 照、对比度、仿射变换等具有不变性。 • 这需要一个具有不变性的特征检测子： - Harris：对平移、2D旋转、光照具有不变性； - SIFT：对平移、2D旋转、光照、3D旋转（约60度）、尺 度具有不变性； • 还需要一个具有不变性的特征描述子： - 描述子用来记录特征点周围的区域信息； - 描述子要有不变性：图像变化时描述子不变；
特征描述—基本思路
• 最简单的描述子：一个像素点，具有不变性吗？
• 对平移、旋转、仿射、尺度都有不变性； • 但对光照没有任何不变性。
特征描述—基本思路
• 另一个简单的描述子：以特征点为中心的一个小方窗区域， 具有不变性吗？
≠
≠
特征描述—基本思路
• 另一个简单的描述子：以特征点为中心的一个小方窗区域， 具有不变性吗？
特征描述—DAISY
DAISY的应用
特征匹配
对于图像I1中的一个特征点，图像I2中那个特征点与它匹配？
特征匹配
对于图像I1中的一个特征点，图像I2中那个特征点与它匹配？ 特征匹配的基本假设：可以在特征空间通过特征描述子之间的 欧氏距离判断匹配程度，距离越小匹配度越高。 特征匹配基本思路： 1）在特征空间定义特征描述子之间的某种距离度量函数； 2）找出I2中与I1特征点距离最小的作为匹配点。 常用距离度量函数：SSD（Sum of Square Differences ） 两个描述子对应值差的平方和
0 0.1
false positive rate
1
特征匹配—单阈值法
单阈值法：给定一个阈值，返回所有匹配距离小于阈值的特征 点作为匹配点。
左图中数字表示类别
阈值高时（实线），容易产生False Negative； 阈值低时（虚线），容易产生False Positive。
特征匹配—最近邻法
最近邻法：给定一个较低阈值，返回阈值内匹配距离最小的特 征点作为匹配点。
特征匹配
用于定量衡量匹配质量的指标： TP：True Positive，被判定为匹配，事实上也是匹配； FN：False Negative，被判定为不匹配，但事实上匹配； FP：False Positive，被判定为匹配，但事实上不匹配； TN：True Negative，被判定为不匹配，事实上也是不匹配。 TPR=TP/(TP+FN)，真阳性率； FPR=FP/(FP+TN)，假阳性率； PPV=TP/(TP+FP)，阳性预测值； ACC=(TP+TN)/(TP+FN+TP+TN)，预测精度。
8 pixels
特征描述—MOPS
补充知识：图像（信号）变换
傅立叶变换：任意一条在实数域内有意义的曲线都可以分解为若干个正 弦曲线的叠加。
余弦变换：类似于傅立 叶变换，但是只使用实数。（JPEG） 小波变换：使用有限宽度基函数进行变换，这些基函数不仅在频率上而 且在位置上是变化的。（JPEG2000）
左图中颜色表示类别
使用最近邻法，DA与DB正确匹配，但DD与DC错误匹配。
特征匹配—最近邻比值法
最近邻比值法：当距离最近的特征点和距离次近特征点间距离 比值小于一定阈值时，将距离最近的特征点作为匹配点，否则 无匹配点。
左图中颜色表示类别
1. 2. 3. 在每一个图像点(u,v)计算描述向量 hΣ ������, ������ = ,������1 Σ , ������2 Σ , … , ������������ Σ -������ ； 将hΣ ������, ������ 归一化为hΣ ������, ������ ； 构成DAISY描述子: ������ ������, ������ = ������ ,hΣ1 ������, ������ , ������ ������ hΣ1 ������1 (������, ������, ������1 ) , … , hΣ1 ������ ������ (������, ������, ������1 ) , ������ ������ hΣ2 ������1 (������, ������, ������2 ) , … , hΣ2 ������ ������ (������, ������, ������2 ) , … ������ ������ hΣ������ ������1 (������, ������, ������������ ) , … , hΣ������ ������ ������ (������, ������, ������������ ) -������
参数设置：Q=3, T=8, H=8
特征描述—DAISY
DAISY的计算效率
• •
高斯卷积计算效率高 大尺度高斯卷据可以通过小尺度卷积加快计算
特征描述—DAISY
DAISY的应用
NCC
SIFT
DAISY
特征描述—DAISY
DAISY的应用
Tola, Strecha, and Fua, 2013
回忆一下上周课的SIFT特征点检测：高斯尺度空间→高斯差分尺度空间 →空间局部极值
(Lowe, 2004)
特征描述—SIFT
计算窗口主方向
• • • • • 将圆周分为36份，每份10 度； 计算特征点附近区域每个 像素梯度方向和幅值； 根据每一像素梯度幅值和 距中心的高斯距离绘制梯 度直方图； 将直方图中最大值方向作 为特征点主方向； 如果直方图其他值达到最 大值的80%，则通过抛物 线插值确定主方向。
特征描述—DAISY
DAISY的基本思想
计算H个方向上的梯度高斯幅值图������������ Σ = GΣ ∗ ( )+ ，o表示梯度方向 ������������ + 其中GΣ 为高斯卷积核，Σ控制区域大小，(������) =max(a,0)
������������
特征描述—DAISY
构造DAISY描述子
特征描述—GLOH
构造GLOH描述子
• • • • • 使用对数极坐标结构替代SIFT的4象限； 空间上取半径6、11和15，角度上分八个区间（除中间区域）； 梯度方向分为16份，构成一个272（17×16）维梯度直方图； 使用PCA将得到的272维向量降到128维构成描述子； 这个PCA的协方差矩阵 通过在47,000个图像path上训练得到。
特征描述—SIFT
构造SIFT描述子
1. 2. 3. 4. 5. 以特征点为中心根据主方向取一个16×16的窗口（图示为8×8 ）； 将窗口主方向旋转至水平； 将窗口划分成4×4个子区域（图示为2×2 ）； 计算每个子区域梯度直方图； 得到一个4×4×8=128维向量构成描述子。
特征描述—PCA-SIFT