opencv图像特征检测及匹配（harris，sift，surf，fast，breif，orb，BFmatch，FlannBasedMatcher）

本文简单概括各种算法的提出背景及opencv实现，对具体原理不做讨论


一般而言，一个物体的角点最能够代表物体的特征，所以所谓的特征检测又叫角点（Corner）检测
harris是最早提出的特征提取算法：
opencv实现如下：


dst=cv2.cornerHarris(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）


sift：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，由此背景提出了sift算法
opencv实现如下：


sift=cv2.xfeatures2d.SIFT_create()
kp,des=sift.detectAndCompute(gray,None) #计算描述子
其中kp指关键点 des指关键点的特征描述


surf：尽管sift的计算效果较好，但是计算速度较慢 surf（speed up robust features）算法是一个加速算法
速度是sift算法的3倍。
opencv实现如下：


# 400 是Hessian矩阵的阈值，阈值越大能检测的特征就越少
surf=cv2.xfeatures2d.SURF_create(400)
# None为mask参数
kp,des=surf.detectAndCompute(gray,None)


下面结合surf算法做一个简单的测试，上代码：


import cv2
import numpy as np
import matplotlib.pyplot as plt


img=cv2.imread('../images/example_01.jpg')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# Her