基于特征点检测和匹配的图像识别

特征点
一个图像的特征点由两部分组成：关键点（keypoint）和描述子（Descriptor）。关键点指的是该特征点在图像中的位置，有些还具有方向、尺度等信息。描述子通常是一个向量，按照人为的设计方式，描述关键点周围像素的信息。通常描述子是按照外观相似的特征应该有相似的描述子设计的。因此，在匹配的时候，只要两个特征点的描述子在向量空间的距离相近，就可以认为它们是同一个特征点。
特征点的匹配通常需要三步：
（1）提取图像中的关键点–查找图像中具有某些特征的像素
（2）根据得到的关键点位置，计算特征点的描述子
（3）根据特征点的描述子，进行匹配
特征检测
在图片中找到感兴趣区域的过程就叫做特征检测。opencv中提供了多个特征检测算法：

• Harris corner detection:角点是在所有方向像素变化剧烈的点，Harris和Stephens提出了检测这样区域的快速方法。opencv:cv2:cornerHarris
• Shi-Tomasi corner detection:通常比Harris更优，它们查找N个最强的角点。opencv:cv2:goodFeaturesToTrack
• Scale-Invariant Feature Transform(SIFT):在图像大小改变时角点检测的效果就不好了，Lowe提出了一个描述图像里与角度大小无关的关键点的方法。在opencv3中，SIFT在contrib模块里。opencv3:cv2:xfeatures2d.SIFT_create()
• Speed-Up Robust Features(SURF):SURF将SIFT中的Laplacian of a Gaussisan(LOG)用一个方框滤波代替(box filter)代替。opencv3：cv2:xfeatures2d.SURF_create()

一般而言，一个物体的角点最能股代表物体的特征，所以特征检测又叫角点（Corner） 检测。
harris是最早的特征提取算法，opencv实现如下：

dst = cv2.conrnerHarris(gray,blockSize=2,ksize=5,k=0.04)
# blockSize - 检测的临点数
# ksize -sobel边缘检测的核
# k -目标函数的一个参数（一般取值较小）

harris corner算法能够解决旋转不变性问题，但不能解决尺度变化问题，由此提出了SIFT算法

SIFT

SIFT(ScaleInvariant Feature Transform，尺度不变特征变换)是一种尺度不变特征检测法。SIFT特征对旋转、尺度旋转、亮度变化等保持不