特征检测
opencv可以检测图像的主要特征，然后提取这些特征，使其成为图像描述符。
特征：特征就是有意义的图像区域，该区域具有独特性或易于识别性。角点与高密度区域是一个很好的特征，边缘可以将图像分为两个区域，因此可以看作很好的特征，斑点（与周围有很大区别的图像区域）也是有意义的特征。
大多数特征检测算法都会涉及图像的角点、边和斑点的识别。
Harris可用于识别角点。此函数可以很好的检测角点，这些角点在图像旋转的情况下也能被检测到。但是如果减少或者增加图像的尺寸，可能会丢失图像的某些部分，也有可能增加图像的角点。这种特征损失的现象需要一种与图像比例无关的检测方法解决。这就是SIFT，可以对不同图像尺寸输出相同的结果。SIFT会通过一个特征向量来描述关键点周围区域的情况。Dog用于检测关键点。
SURF算法比SIFT快好几倍，它吸收了SIFT算法的思想。SURF采用Hessian算法检测关键点。SURF需要提供阈值，特征随着阈值的增加而减少。
ORB是用来取代SIFT和SURF的，与两者相比，ORB有更快的速度。ORB用FAST来检测关键点，用BRIEF来进行关键点特征描述。
有点迷糊，现在总结一下
opencv中的SIFT是DoG与SIFT的结合。DoG用于关键点的检测，SIFT用于描述关键点的特征（图像描述符）。
SURF是Hessian与SURF的结合，Hessian用于关键点的检测，SURF用于描述关键点的特征。
ORB是FAST和BRIEF的结合，FAST用于关键点的检测，BRIEF用于描述关键点的特征。
速度上ORB>SURF>SIFT，SURF的鲁棒性(抗干扰能力）更好一些。
特征匹配
1.暴力（Brute-Force）匹配：一种描述符匹配算法，该方法会比较两个描述符，并产生匹配结果列表，第一个描述符的所有特征都拿来和第二个进行比较。
2.K-最近邻（knn）匹配：在所有的机器学习suan算法中，knn可能是最简单的。
.FLANN匹配：FLANN具有一种内部机制，该机制可以根据数据本身选取合适的算法来处理数据集，FLANN比其他的最近邻搜索快10倍。
.FLANN的单应性匹配，单应性指的是两幅图像中的一幅出现投影畸变时，他们还能彼此匹配。
————————————————
版权声明：本文为CSDN博主「想想叫啥名」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_35239859/article/details/81184571