关于sift资源总结：

http://blog.csdn.net/masibuaa/article/details/9191309

两个比较好的资源：

https://my.oschina.net/keyven/blog/221792

http://www.cnblogs.com/v-July-v/archive/2012/11/20/3125419.html

在树的构建时，如何进行左右树的划分是关键，kd-tree采取的策略是，以分区内所有维中，方差最大的维为轴，以轴所在维的中值为轴值，进行左右区域的划分。

在sift源码中，features并没有进行来回的复制，始终放在原始内存空间中，只不过是创建树节点，不断指向这块内存空间，在进行左右树划分时，只不过是交换

内容，这个过程类似堆排序。

单应性变换推导

http://www.cnblogs.com/ml-cv/p/5871052.html

http://blog.csdn.net/xiaowei_cqu/article/details/26471527

http://blog.csdn.net/lhanchao/article/details/52849446

Ransac处理

http://blog.csdn.net/masibuaa/article/details/9145441

基本思想就是，在所有特征点对中随机选取4个点计算当前的单应性变换矩阵，然后，在这个矩阵的基础上，计算其他特征点的相关性（即计算特征点在变换矩阵后的点与之前匹配点之间的欧式距离，如果这个距离小于容忍值，这将此特征点对加入相关序列），记录数目以及点对集合，重复操作，寻找最优的变换矩阵并更新点对集合。

Kd-Tree&Ransac笔记