圖像匹配可以應用在很多場合，如目標跟蹤、檢測、識別、圖像拼接等，而角點匹配的核心技術就是角點匹配。所謂角點匹配，是指尋找兩幅圖像之間特征像素的對應關系，從而確定兩幅圖像之間的位置關系。
角點匹配可以分為以下四個步驟:
1.檢測器提取:在待匹配的兩幅圖像中找到最易識別的像素(角點)，比如紋理豐富的物體的邊緣點。
2.提取描述符:對於檢測到的角點，使用壹些數學特征進行描述，如梯度直方圖和局部隨機二值特征。檢測器和描述符常用的提取方法有sift、harris、surf、fast、agast、brisk、freak、brisk、brief/orb等。
3.匹配:通過每個角點的描述符來判斷兩幅圖像中每個角點的對應關系，比如flann。
4.去噪:去除不正確匹配的離群點，保留正確的匹配點。常用的方法有KDTREE、BBF、Ransac、GTM等。
其次，提出了SIFT匹配方法
為了剔除因為圖像遮擋和背景混淆而沒有匹配關系的關鍵點，SIFT的作者Lowe提出了壹種比較最近鄰距離和下鄰距離的SIFT匹配方法:在壹幅圖像中取壹個SIFT關鍵點，在另壹幅圖像中找出歐氏距離最近的前兩個關鍵點。在這兩個關鍵點中，如果最近距離除以下壹個最近距離的比值小於某個閾值T，則該對匹配點將被接受。因為對於誤匹配來說，由於特征空間的高維性，在相似的距離上可能會有很多其他的誤匹配，所以它的比值比較高。顯然，如果降低比例閾值t，SIFT匹配點的數量會減少，但會更穩定，反之亦然。
Lowe推薦ratio的閾值為0.8，但作者匹配了大量任意比例、旋轉、亮度變化的兩張圖片。結果表明，比值在0。四比零。6，小於0的匹配點很少。4，而存在大量大於0的錯誤匹配點。6，所以作者建議對比值采用以下原則:
比率=0。4:用於高精度匹配；
比率=0。6:匹配點數需要更多匹配；
比率=0。5:壹般來說。
第三，常見的SIFT匹配碼
vlfeat中sift工具箱的1，vl_ubcmatch.c使用普通歐氏距離進行匹配(此SIFT代碼由Andrea貢獻。
維達爾迪).
2.Lowe的C++代碼使用歐氏距離，但在matlab代碼中，為了加快計算速度，使用向量夾角來近似歐氏距離:首先將128維SIFT特征向量歸壹化為單位向量(每個數除以平方和的平方根)，然後通過點乘得到向量夾角的余弦值，最後使用反余弦(acos函數)得到向量夾角。實驗表明，Lowe的方法是非常正確和耗時的。
同樣，knnsearch函數也可以用來尋找最近點和下壹個最近點:knnsearch使用歐氏距離得到的結果與lowe近似法得到的結果幾乎相同，正好印證了模擬歐氏距離的效果。
3.Rob Hess的OpenSIFT使用KDTREE來優化匹配。
4.CSDN大神v_JULY_v實現了KDTREE+BBF優化SIFT匹配，消除錯誤匹配:從K近鄰算法和距離度量到KDTREE和SIFT+BBF算法。
——結構的方法，算法的方法——博客Channel-CSDN.NET。
5.OpenCV中features2d實現的SIFT匹配有很多種:向量描述符、BF Matcher(蠻力描述符匹配器)、Ferndescriptor、OnewayDescriptor、FlannBasedMatcher等等。目前只知道使用了knnsearch，它提供了多種測距方式，具體的區別不了解。