如何计算关键点：

1. 获取您的图像并使用不同尺度 ) 对其进行卷积以获得。这会产生具有不同模糊程度的图像的多个版本（每个比例$I(x,y)$$G(x,y,k\sigma$$k \sigma$$L(x,y,k\sigma)$$k\sigma$$I(x,y)$

2. 根据八度音阶分离模糊图像（八度音阶通常被视为）。在给定的八度范围内，取相邻模糊图像和 之间的差异。这种差异称为高斯差异 (DoG)。此时，一张图片会很有帮助（来源：opencv）：$2\sigma$$L(x,y,k_{i}\sigma)$$L(x,y,k_{j}\sigma)$$D(x,y,\sigma) = L(x,y,k_{i}\sigma) - L(x,y,k_{j}\sigma)$

如您所见，左侧是模糊/卷积/过滤的图像，右侧是相邻图像之间的差异。

3. 然后，在 DoG 上取一个像素，并将其与同一 DoG 中的 8 个相邻像素进行比较，并将其与位于下一个比例的 DoG 的 9 个等效像素以及与前一个 DoG 中的其他 9 个像素进行比较。在图中，这对应于位于上方和下方的DoG。如果这个像素是一个局部极值，那么你就有一个候选关键点。请记住，可以根据其他标准丢弃候选人。

一旦有了这些关键点，就可以继续生成描述符。对于每个关键点，计算一个图像梯度。你应该知道，梯度告诉你最大变化率的方向。因此，您可以围绕每个关键点构建一个网格，该网格根据该点周围的主要梯度定向。这个网格有子区域（通常是 16 个子区域），并且对于每个子区域，计算一个 8-bin 直方图。最后，连接从网格中每个子区域获得的每个直方图，这就是该关键点的特征向量（实际上，完整的特征向量还包括位置和旋转角度。）一个有用的说明（来自 Solem 的用 Python 编程计算机视觉一书):

此时，每个关键点都有一个包含 132 个值的特征向量。至于您的第二个问题，我不确定将数组存储在数据库中的最佳方法。也许其他人可以在这一点上展开。当然，有几种选择：

1. 创建一个数组数据类型来存储您的数据
2. 只需使用 VARCHAR 字段
3. 将其存储为二进制文件
4. 使用专门设计用于处理数组的数据库。