每一個學習OpenCV的人恐怕都被安利過跑一跑SIFT（Scale-invariant feature transform 尺度不變特徵變換）圖像特徵匹配，即使圖像有旋轉、模糊、尺度的變化，即使使用不同的相機，即使圖像拍攝的角度不同，SIFT總能檢測到穩定的特徵點，並建立對應關係。
原始的SIFT算法分特徵點檢測和描述兩部分，特徵點檢測的核心是優美的DOG金字塔模型：
特徵描述的核心則是梯度方向直方圖：
SIFT首次出現是1999年，時至今日，SIFT 特徵點檢測依然是最好的局部特徵檢測方法之一（如果不考慮速度因素，CV君覺得這個“之一”是可以去掉的），而 SIFT 特徵描述也在人工設計特徵的時代啟發了大量梯度方向直方圖的特徵。
SIFT 特徵在圖像拼接、圖像檢索、目標識別、目標檢測、目標跟蹤、增強現實、三維重建等幾乎所有與識別、檢測相關的計算機視覺領域得到應用，是深度學習時代之前，最著名的計算機視覺算法之一。
很長時間以來，SIFT在OpenCV的代碼一直在Non-Free模塊，因為他是有專利保護的，不能在商業場景隨便使用。
SIFT算法由加拿大英屬哥倫比亞大學教授David Lowe 於 1999 年發表於會議ICCV ，原論文Object recognition from local scale-invariant features ，
David Lowe 是唯一作者
David Lowe
而廣為人知的被引用更多的是2004年發表於期刊IJCV的完善版 Distinctive image features from scale-invariant keypoints
谷歌學術顯示SIFT 2004‘ 已被引用55841次
David Lowe 教授是一個很有商業嗅覺的學者，發明了SIFT算法後發現這可是個好東西，趕緊申請了專利 US6711293B1。專利申請於2000年3月6日，專利權人為英屬哥倫比亞大學。
到今年3月6日，已滿20年，專利權已經到期！SIFT已經成為全人類的公共技術，任何人和組織都可以免費使用！
在今天，SIFT依然具有商業價值，這無疑是個好消息。
OpenCV官方今年也將把SIFT挪出Non-Free模塊（不過CV君覺得OpenCV實現的SIFT很爛，強烈建議大家使用VLFeat裡的SIFT）。
說到這裡，CV君還想跟大家說下SIFT傳奇的締造者David Lowe教授。
1987年2015年 David Lowe 一直在英屬哥倫比亞大學任教授，2009年到2015年他鼓搗了自己的一家公司Cloudburst Research，主要產品是一款圖像拼接APP（AutoStitch）後被谷歌收購（谷歌難道缺少圖像拼接業務嗎？可能是致敬老爺子吧^_^），公司被收購後15年到18年在谷歌任高級研究科學家。目前是英屬哥倫比亞大學的榮譽教授。
David Lowe 曾於2011年和2017年獲得ICCV 的Helmholtz Prize，分別為表彰他的工作SIFT算法（Object Recognition from Local Scale-Invariant Features）和全景拼接算法（Recognising Panoramas），並於2015年獲得PAMI Distinguished Researcher Award（與Yann LeCun一起）。
David Lowe 不是那種只知道寫論文的教授，從谷歌學術上也可以看出相比很多著作等身的學者，他的論文並不很多，招的博士也不多，但他很關心技術的應用，甚至也親自創建了一家公司，他的有影響的工作：
都進行了商業化（或者說是在實用場景中發明的）。上圖的論文中，第一、第二篇是SIFT、第三篇是近似最近鄰搜索算法FLANN（如今併入了OpenCV）、第四和第七篇研究圖像拼接（與AutoStitch相關）。
下圖為David Lowe 論文引用數直方圖，可見每年都有近萬的引用量，在2014年、2015年達到頂峰：
而14、15 、16年正是深度學習方興未艾，RCNN（ECCV 2014）、Faster RCNN（NIPS 2015）、SSD（ECCV 2015）、YOLO（CVPR 2016）目標檢測類算法群雄並起的時候。
SIFT是人工設計特徵的一個巔峰，時代變了，雖然我們現在更崇尚GPU算力+深度學習，但傳統特徵中蘊含的思想仍然指導著CV領域的勇者們繼續前行。
目標檢測作為計算機視覺的經典任務之一，一直受到學術界和工業界的廣泛關注。隨著研究的深入，大尺度圖像中微小目標檢測等子問題，以及當前的檢測算法固有的方法缺陷等問題，也得到更多的研究。SFFAI56期—目標檢測專場，我們圍繞以上問題，邀請了兩位學者：柯煒、餘學輝分享他們分別發表在WACV2020和CVPR2020上的新工作。
期待3月22日與您相聚SFFAI直播間！
詳情點擊：
閱讀更多 人工智能前沿學生論壇 的文章
