分析opencv中keypoint數據結構的相關信息，找到opencv的document（http://docs.opencv.org/java/org/opencv/features2d/KeyPoint.html）。可以看到KeyPoint這數據結構中有如下數據結構：
angle：角度，表示關鍵點的方向，通過Lowe大神的論文可以知道，為了保證方向不變形，SIFT算法通過對關鍵點周圍鄰域進行梯度運算，求得該點方向。-1為初值。
class_id：當要對圖片進行分類時，我們可以用class_id對每個特征點進行區分，未設定時為-1，需要靠自己設定
octave：代表是從金字塔哪一層提取的得到的數據。
pt：關鍵點點的坐標
response：響應程度，代表該點強壯大小，一開始我也理解不了，看到兩位stackoverflow大大的原話（http://stackoverflow.com/questions/10328298/what-does-size-and-response-exactly-represent-in-a-surf-keypoint，http://stackoverflow.com/questions/24699495/opencv-keypoints-response-greater-or-less?lq=1）——response代表着該關鍵點how good，更確切的說，是該點角點的程度。瞬間明白。
size：該點直徑的大小
注意一個問題：keypoint只是保存了opencv的sift庫檢測到的特征點的一些基本信息，也就上面所說的這些，但sift所提取出來的特征向量其實不是在這個里面，特征向量通過SiftDescriptorExtractor 提取，結果放在一個Mat的數據結構中。這個數據結構才真正保存了該特征點所對應的特征向量。具體見后文對SiftDescriptorExtractor 所生成的對象的詳解。