特徵檢測
opencv可以檢測圖像的主要特徵，然後提取這些特徵，使其成爲圖像描述符。
特徵：特徵就是有意義的圖像區域，該區域具有獨特性或易於識別性。角點與高密度區域是一個很好的特徵，邊緣可以將圖像分爲兩個區域，因此可以看作很好的特徵，斑點（與周圍有很大區別的圖像區域）也是有意義的特徵。
大多數特徵檢測算法都會涉及圖像的角點、邊和斑點的識別。
Harris可用於識別角點。此函數可以很好的檢測角點，這些角點在圖像旋轉的情況下也能被檢測到。但是如果減少或者增加圖像的尺寸，可能會丟失圖像的某些部分，也有可能增加圖像的角點。這種特徵損失的現象需要一種與圖像比例無關的檢測方法解決。這就是SIFT，可以對不同圖像尺寸輸出相同的結果。SIFT會通過一個特徵向量來描述關鍵點周圍區域的情況。Dog用於檢測關鍵點。
SURF算法比SIFT快好幾倍，它吸收了SIFT算法的思想。SURF採用Hessian算法檢測關鍵點。SURF需要提供閾值，特徵隨着閾值的增加而減少。
ORB是用來取代SIFT和SURF的，與兩者相比，ORB有更快的速度。ORB用FAST來檢測關鍵點，用BRIEF來進行關鍵點特徵描述。
有點迷糊，現在總結一下
opencv中的SIFT是DoG與SIFT的結合。DoG用於關鍵點的檢測，SIFT用於描述關鍵點的特徵（圖像描述符）。
SURF是Hessian與SURF的結合，Hessian用於關鍵點的檢測，SURF用於描述關鍵點的特徵。
ORB是FAST和BRIEF的結合，FAST用於關鍵點的檢測，BRIEF用於描述關鍵點的特徵。
速度上ORB>SURF>SIFT，SURF的魯棒性(抗干擾能力）更好一些。
特徵匹配
1.暴力（Brute-Force）匹配：一種描述符匹配算法，該方法會比較兩個描述符，併產生匹配結果列表，第一個描述符的所有特徵都拿來和第二個進行比較。
2.K-最近鄰（knn）匹配：在所有的機器學習suan算法中，knn可能是最簡單的。
.FLANN匹配：FLANN具有一種內部機制，該機制可以根據數據本身選取合適的算法來處理數據集，FLANN比其他的最近鄰搜索快10倍。
.FLANN的單應性匹配，單應性指的是兩幅圖像中的一幅出現投影畸變時，他們還能彼此匹配。
————————————————
版權聲明：本文爲CSDN博主「想想叫啥名」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/qq_35239859/article/details/81184571