特征提取基于内容的图像检索技术通过提取图像的内容特征，包括颜色、纹理、形状等，生成图像特征库。查询时，系统抽取用户提供的示例图像的特征，与特征库中存储的图像特征进行比较匹配，计算示例图像与图像库中各图像的相似度，最后按相似度从大到小的顺序输出给用户。
一、 课题任务与目的
1、课题的主要任务：以DSP平台为系统硬件平台，并基于DM6437为处理器核心，设计硬件原理图，编写特征点提取算法，使系统通过特征点匹配对静态目标进行识别。
2、课题的主要目的：设计并实现一个功能完整，操作简单的目标识别系统，使其能够对静态图像目标进行特征提取与匹配，从而进行目标识别。
二、调研资料情况
1、课题的学术状态：
(1)DM6437关键特性
时钟频率达 600MHz， 1个TVP5146M2视频解码器4个视频DACV输出，128MDDR2DRAM，提供16M non-volatile flash memory, 64M NAND flash, 2M SRAM 提供UART, CAN，I/O接口，AIC33 立体音频编码器，10/100 MBS以太网接口，可配置的 boot load 选项，嵌入式的 JTAG 仿真器接口，4个用户LEDs及4个用户切换点，提供子板扩展插槽，VLYNQ接口，提供S/PDIF接口。
(2)SIFT算法
从理论上说，SIFT是一种相似不变量，即对图像尺度变化和旋转是不变量。然而，由于构造SIFT特征时，在很多细节上进行了特殊处理，使得SIFT对图像的复杂变形和光照变化具有了较强的适应性，同时运算速度比较快，定位精度比较高。如：在多尺度空间采用DOG算子检测关键点，运算速度大大加快;关键点的精确定位不仅提高了精度，而且大大提高了关键点的稳定性;在构造描述子时，以子区域的统计特性，而不是以单个像素作为研究对象，提高了对图像局部变形的适应能力;对于16*16的关键点邻域和4*4的子区域，在处理梯度幅度时都进行了类似于高斯函数的加权处理，强化了中心区域，淡化了边缘区域的影响，从而提高了算法对几何变形的适应性;该方法不仅对通用的线性光照模型具有不变性，而且对复杂的光照变化亦具有一定的适应性。
SIFT算法的特点：1. SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性;2. 独特性(Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配;3. 多量性，即使少数的.几个物体也可以产生大量的SIFT特征向量;4. 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求;5. 可扩展性，可以很方便的与其他形式的特征向量进行联合。
2、参考文献
【1】《TMS320DM6437 Datasheet》，
【2】
【3】
【4】
【5】《Allegro PCB Design CIS Getting Started Guide》,
【6】周建雄，张笑微《基于DM6437 的运动目标检测系统》，《信息化纵横》2009年第12期
【7】《C/C++图像处理编程》，清华大学出版社