java指纹识别的精确算法——SIFT算法

Sift特征点的提取方法，这里简单做个介绍。

作为一种匹配能力较强的局部描述算子，SIFT算法的实现相当复杂，但从软件开发的角度来说，只要会使用其中几个比较重要的函数就行了。这里要感谢David Lowe这个大牛，不但提供了一种强悍的特征匹配算法，还给出了C++的实现代码，后来有人用C#实现了这个算法，需要的朋友可到网上自行下载。

关键函数一：

int sift_features( IplImage* img, struct feature** feat )

这个函数就是用来提取图像中的特征向量。参数img为一个指向IplImage数据类型的指针，用来表示需要进行特征提取的图像。IplImage是opencv库定义的图像基本类型（关于opencv是一个著名的图像处理类库，详细的介绍可以参见http://www.opencv.org.cn）。参数feat 是一个数组指针，用来存储图像的特征向量。函数调用成功将返回特征向量的数目，否则返回-1.

关键函数二：

int _sift_features( IplImage* img, struct feature** feat, int intvls,double sigma, double contr_thr, int curv_thr, int img_dbl, int descr_width, int descr_hist_bins )

这个函数是函数一的重载，作用是一样的，实际上函数一只不过是使用默认参数调用了函数二，核心的代码都是在函数二中实现的。下面将详细介绍一下其他的几个参数。

intvls: 每个尺度空间的采样间隔数，默认值为3.

sigma: 高斯平滑的数量，默认值1.6.

contr_thr:判定特征点是否稳定，取值（0，1），默认为0.04，这个值越大，被剔除的特征点就越多。

curv_thr:判定特征点是否边缘点，默认为6.

img_dbl:在建立尺度空间前如果图像被放大了1倍则取值为1，否则为0.

descr_width:计算特征描述符时邻域子块的宽度，默认为4.

descr_hist_bins:计算特征描述符时将特征点邻域进行投影的方向数，默认为8，分别是0，45，90，135，180，215，270，315共8个方向。

Sift特征匹配算法主要包括两个阶段，一个是Sift特征的生成，即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量；第二阶段是Sift特征向量的匹配。

Sift特征的生成一般包括以下几个步骤：

1、构建尺度空间，检测极值点，获得尺度不变性；

2、特征点过滤并进行精确定位；