案例库 · 软件与 IT · 技术决策 · 1999–2004
SIFT通过局部特征实现图像匹配，这些特征在缩放和旋转下保持不变
大卫·洛的1999年算法通过稳定的关键点而非整图比较来描述图像，使匹配在大小、角度和杂乱背景下依然有效。
英属哥伦比亚大学
那一手
在20世纪90年代末，跨不同照片匹配目标很脆弱：同一场景可能更大、旋转、变暗或部分遮挡，整图比较在这些情况下都会失败。大卫·洛提出从每张图像中提取独特的特征点，并基于这些点进行匹配。
这些关键点是在尺度空间极值中选取的，然后进行稳定性筛选，赋予主方向，并用局部梯度直方图描述。由于每个特征只描述自身邻域，图像其他部分的变化无关紧要——即使照片从不同角度、距离或光照下拍摄，同一目标也能被识别。
2004年的论文表明，该方法能在数千张图像的数据库中可靠识别目标，同时处理部分遮挡和视角变化。这种独特性和不变性的组合，使SIFT成为21世纪初计算机视觉的主力。
为什么管用
- 局部特征对遮挡和杂乱具有鲁棒性，因为匹配只需少数一致的特征点。
- 尺度空间特征点和方向分配使匹配与图像大小和旋转无关。
- 高维描述子具有区分度，即使在大数据库中，错误匹配也极少。
- 该方法适用于普通照片，无需特殊硬件，因此可广泛部署。
值了多少匹配稳定的局部特征，而非整幅图像神来之笔
可以搬走什么
当完全比较不可能时，找到可以在最小不变单元上进行匹配——鲁棒性来自局部、冗余的证据，而非全局摘要。
后来呢
SIFT成为计算机视觉领域被引用最多的论文之一，也是图像拼接、全景构建、机器人地图、3D重建和早期视觉搜索的基础。其思想影响了后来的特征方法（SURF、ORB）和深度学习视觉，其专利也影响了2000年代视觉特征的授权方式。
资料来源
- Object Recognition from Local Scale-Invariant Features (ICCV 1999)
- Distinctive Image Features from Scale-Invariant Keypoints
发现哪里写错了？告诉我们。