推荐：http://www.cnblogs.com/tornadomeet/archive/2012/08/17/2644903.html
SURF-Speeded Up Robust Features
是对SIFT的增强
与SIFT的不同之处：
1.DoH近似-Determinant of Hessian
也就是使用每个像素Hessian矩阵的行列式的近似值构成！
而SIFT使用原图构造的DoG图来寻找关键点！
2.高斯模糊
SIFT与SURF都要首先对原图像进行高斯模糊来构造尺度空间：
SIFT构造的金字塔 是每组octave之间的图像大小不相同，且每组octave里各层图像高斯模糊时使用的sigma不同（下一组第一张与上一组倒数第三张相差k倍，取为连续）。
尺度空间的分组时，相邻组首尺度滤波器大小之差相差2倍。如第一二组差6，则二三组差12.为了减少计算时间，第一组采样间隔1像素，第二组2像素，以此倍增。
SURF构造的金字塔 是每组octave之间的图像大小相同，且每组octave里各层搞死模糊时使用的模板尺寸不一样，如第一组，第一个滤波器模板大小是9*9，其中9=(l0)^2,l0=3;
那么第一组，第二个是15*15，其中15=（l0）^2,l0=5=上一个l0+2；
以此类推，第一组里。。9*9,15*15,21*21,27*27
那么在第二组里是15*15,27*27,39*39,51*51
3.方向选取
SIFT就是使用HOG方向梯度直方图来找主方向与辅助方向。
SURF是使用Haar小波变换来求取主方向（待补充）。。。即在特征点的领域(比如说，半径为6s的圆内，s为该点所在的尺度)内，统计60度扇形内所有点的水平haar小波特征和垂直haar小波特征总和，haar小波的尺寸变长为4s，这样一个扇形得到了一个值。然后60度扇形以一定间隔进行旋转，最后将最大值那个扇形的方向作为该特征点的主方向。
4.构造特征点描述算子
在sift中，是在特征点周围取16*16的邻域，并把该领域化为4*4个的小区域，每个小区域统计8个方向梯度，最后得到4*4*8=128维的向量，该向量作为该点的sift描述子。
在surf中，也是在特征点周围取一个正方形框，框的边长为20s(s是所检测到该特征点所在的尺度)。该框带方向，方向当然就是第4步检测出来的主方向了。然后把该框分为16个子区域，每个子区域统计25个像素的水平方向和 垂直方向的haar小波特征，这里的水平和垂直方向都是相对主方向而言的。该haar小波特征为水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直方向绝对值之和。
这样每个小区域就有4个值，所以每个特征点就是16*4=64维的向量，相比sift而言，少了一半，这在特征匹配过程中会大大加快匹配速度。