OpenCV学习笔记（九）描述和匹配兴趣点

一、局部模板匹配

图像匹配是关键点常用功能之一，这节介绍的是围绕每个关键点周围图像块展开的算法——差的平方和算法（SSD）。

1、过程
首先使用上一章介绍的检测器检测关键点，随后定义一个矩形作为图像块的承载器。将一幅图像的全部关键点与第二幅图像比较，在第二幅图像中找出与第一幅图像中每个关键点最匹配的图像块。（每一个过程是：将一个关键点与第二幅图像的一个图形块中的每个像素进行比较，随后是下一个点对面关系），使用函数cv::matchTemplate计算相似程度，并最后会进行一个排序。使用函数cv::drawMatches显示匹配结果，将图像拼接，并用线条连接对应的点。

2、模板匹配
创建待检测图案的模板，提前指定可能发现的区域，在这个区域内滑动模板，计算相似度，进行匹配。使用函数cv::matchTemple
但是这个操作很耗时。

二、描述并匹配局部强度值模式

这里是首先使用检测器检测到关键点，然后对关键点提取描述子，基于SURF和SIFT关键点检测。
利用描述子衡量两个图像检测器检测得到的关键点的匹配程度。

由于关键点检测会检测出很多错误的关键点，因此通常采用交叉检查匹配项（双向匹配）、比率检测法、匹配差值的阈值化这三种方法类提高准确性。

三、用二值描述子匹配关键点

检测器和描述子之间的关系密切，每种检测器都有对应的描述子。这一节的描述子是二值形式的，有ORB、BRISK描述子。
FREAK（快速视网膜关键点）也是一种二值描述子，但是没有对应的检测器。