图像特征点(关键点)匹配

摘自《深入了解OpenCV》-Daniel Lelis Baggio

模式检测的最好结果是由检测器计算关键点方向和大小来获得的。这样会使得关键点具有旋转不变性和伸缩不变性。

……

如果处理图像，按像素匹配会花很长的世界，并且仍需处理旋转和缩放（传统的一些图像配准算法，如投影法）。这绝对不是一种好的选择。使用特征点可以解决这个问题。通过检测特征点，其得到的特征对图像各部分都有描述，这包含大量信息（这是因为角点探测器会得到边缘，角点和其他有非明显变化的图像）。因此，要找到两帧之间的对应关系，只需要匹配关键点。

这里说的，其实就是降维。怎么让机器学习更加高效、准确？显然，图像数据属于比较高维的数据，数据量大，而且冗余信息多，必须将像素值转换为一种更适合表达图像本质特征的低维量，这个“量”就是特征，计算特征的过程就是特征提取。

提取到目标图像的特征后，通过与输入图像进行特征匹配，找到那些相同的区域或者像素点，就是上面所说的关键点。至于关键点代表了什么？这跟特征的定义有关，不同的特征具有不同的意义。

PCA、LBP等常用的特征，用于关键点匹配的SURF也是一种特征，甚至于边缘检测的Sobel也可以算作一种特征。