1. 尺度空间
   1. 概念
      1. 通过连续变化尺度参数获得多尺度下的尺度空间表示序列，对这些序列进行尺度空间主轮廓的提取，并以该主轮廓作为一种特征向量，实现边缘、角点检测和不同分辨率上的特征提取等
   2. 表示
      1. 变化尺度的高斯函数G(x,y)与原图像的卷积kernel(x,y)。
         1. 变化尺度的高斯函数
         2. 高斯函数
   3. 高斯金字塔
2. SIFT
   1. 尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量
   2. 特性
      1. 1. SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；
      2. 2. 独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；
      3. 3. 多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；
      4. 4. 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；
      5. 5. 可扩展性，可以很方便的与其他形式的特征向量进行联合。
   3. 可解决的问题
      1. 1. 目标的旋转、缩放、平移（RST）
      2. 2. 图像仿射/投影变换（视点viewpoint）
      3. 3. 光照影响（illumination）
      4. 4. 目标遮挡（occlusion）
      5. 5. 杂物场景（clutter）
      6. 6. 噪声
   4. 算法步骤
      1. 1. 尺度空间极值检测：搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。
      2. 2. 关键点定位：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。
      3. 3. 方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。
      4. 4. 关键点描述：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化
3. SURF