特征匹配算法

看论文《特征匹配算法研究及其在目标跟踪上的应用》，感谢！
https://blog.csdn.net/qq_17109251/article/details/82722466 感谢！

特征匹配算法

目前 SIFT 算法和 ORB 算法获得了研究者的青睐，但是因为 SIFT 算法是对图像进行全局的特征点检测耗时较长，造成算法的运行速度慢，达不到令人满意的匹配效果，难于应用到目标的实时跟踪。

ORB 算法的运行速度较快，但是因为其描述子不具有尺度不变性，所以匹配效果不理想。

图像匹配一般分为三个模块：
1）特征空间。某一类特征提取的一个空间。
2）相似性度量。相似性是衡量图像之间的一种相似程度，这种相似程度有很多的表示方法。目前，在匹配算法中较为常见的相似性度量准则有相位相关、Hausdorff 距离函数、欧式距离判别方法、归一化积相关等。
3）搜索策略。搜索策略是在特征空间中，对待匹配特征点寻找与其相似特征点的方法。根据不同的标准，可以将图像匹配方法进行不同的分类。

目前比较常用的分类：基于灰度的匹配方法和基于特征的匹配方法。
1）前者一般具有实现简单的优点，比较常见的应用场合是对于一些简单的刚体匹配和图像仿射变化的匹配，该方法能实现较好的匹配效果，例如：序贯相似性检测法。在实际应用中，可能会出现非刚体运动形变、外界环境的干扰等影响，所以基于灰度的匹配方法不能满足这些情况下的匹配需要。
2）特征匹配相比于灰度匹配，在匹配过程中需要对图像进行特征的提取，根据特征点进行匹配的速度高，更重要的是基于特征点的匹配其匹配精度较高。目前适应性更广泛且匹配性能较好的匹配算法多是采用基于特征匹配的方法。很多经典的算法如࿱