一个好的特征描述子，要有好的区分性、尺度和旋转不变性以及鲁棒性（光照等）。SIFT可能说是最经典的
特征描述方法了，其主要分成下面四步：
（1）尺度空间选择：在尺度空间中选择潜在的满足尺度不变和旋转不变的关键点；
关于尺度空间，先对图像做高斯金字塔（包括高斯模糊和降维），再做拉普拉斯金字塔（需要做内插才能做差）。
更多可以参考：http://www.cnblogs.com/ronny/p/3886013.html
具体到SIFT，将不同尺度空间分成不同的Octave（高斯金字塔的组数），对于每个Octave，采用不同的标准差，即
每个Octave不同的层数（S）。同一个Octave中，相邻图像的差即为DoG，即对应的尺度空间。
（2）关键点定位：精确定位特征点的位置，剔除伪特征点；
由不同的尺度空间，我们可以选出所有的局部极值点，这其有有很多极值点，且不一定为关键点，因为需要剔除。
主要分为两步：
1）粗剔除：剔除响应值低的关键点。通过将DoG进行泰勒展开、求导，可以得到关键点的
精确位置与尺度，剔除响应值低的点；
2）进一步剔除：DoG在边缘具有较强的响应值，而这些点通常是难定位、不稳定的，因此需要删除边缘效应。
（3）方向分配：基于关键点的局部梯度方向，给每个关键点分配方向；
选取关键点周围16*16的窗口，统计这256个像素的梯度按方向统计到36个bin的直方图中（加权的，权值为梯度大小）。
选取直方图中的峰值作为这个关键点的方向（旋转不变）。
（4）关键点描述：对于每个关键点，用一个高维的向量去描述每个关键点。
采用梯度方向直方图来对其进行描述。将16*16的窗口分成16个4*4的小窗口，统计每个小窗口的梯度（8个bin），
最后得到的描述子向量为16*8=128维。
参考：http://blog.csdn.net/a130737/article/details/37564463?utm_source=tuicool&utm_medium=referral
更具体的，可参考如下博文：
参考：http://www.cnblogs.com/ronny/p/4028776.html
博文同样是分为几个点：
构建高斯差分金字塔：在这个点中，尺度空间生成了多少图像，为什么是倒数第三张解释的很清楚。
这部分代码可参考这位博主：http://blog.csdn.net/xiaowei_cqu/article/details/8067881
特征点搜索：在这个点中，清楚的解释了子像元插值，也就知道了为什么以及如何进行精确点的定位。最后介绍了边缘效应的方法。
这部分的源码可看这里，很惭愧，没看下去：http://blog.csdn.net/xiaowei_cqu/article/details/8087239
方向赋值：为关键点赋值，包括位置、方向和尺度信息。源码分析：http://blog.csdn.net/xiaowei_cqu/article/details/8096072
关键点描述：http://blog.csdn.net/xiaowei_cqu/article/details/8113565