图像识别相关

可以归结为基于内容的图片搜索或图像配准问题，取决于对应用场景的要求；如果要求用户将拍摄内容规范地（不存在旋转偏移等）规定于固定范围，如识别二维码时的取景方框，那么解决该问题可视为基于内容的图片搜索，相对容易些；若不做如此要求，用户可任意角度拍摄任意部分，则归为图像配准问题，或者图像近似拷贝（Near-Duplicate Image Detection）；为适应一般的应用场景，你提到的应用归为第二类。

大体思路是：
1、图像特征提取（全局特征或局部特征，特定算法将图片表示为一些向量）；
2、特征度量（通过度量特征的相似程度判定图片的相似程序，如欧氏距离、余弦距离、汉明距离等）
3、大规模高维数据检索算法（BTree,LSH,...）；

难点：
考虑到用户拍摄的图片相对于样本图片，存在光照、尺度、角度、视角、模糊或噪声、遮挡等的变化，解决该问题所用到的图像特征在理想情况下是要保持这些不变性的；同样考虑到应用的实时性及数据的海量性，快速的牲提取及检索方法也是重点；

你提到的感知哈希算法是一种图像特征，为全局特征，不具备那些不变性，其是二值特征，可用汉明距离度量；总的来讲，用这个图像特征算法是不能解决这个应用问题；
要尝试解决这个问题，大概需要了解如下内容：
1、具备一定不变性的图像特征提取：
A、自动化所樊彬老师的《局部图像特征描述概述》 http://blog.youtueye.com/work/local-descriptors.html 可让你快速了解现有图像局部特征；详细了解SIFT、SURF；
B、开源项目 https://code.google.com/p/find-object/ 可让你快速了解OpenCV中各图像局部特征算法的使用；
2、特征度量：
从K近邻算法、距离度量谈到KD树、SIFT+BBF算法 这里让你快速了解常用特征度量方法，还用SIFT做检索的例子；
3、大规模高维数据检索算法：
最近邻搜索 最近邻搜索:Nearest Neighbor Search
位置敏感哈希:Locality Sensitive Hashing 位置敏感哈希:Locality Sensitive Hashing