太多的公众号每天的文章是否让你眼花缭乱？刷了好多文章，发现大都是转来转去？浪费了时间又浪费了感情。

今天我为大家从全网公众号里精选了机器视觉特征点提取及模板匹配算法的相关文章11篇。其中包括SIFT, SURF, HOG, ORB, LBP, Harris, FASTN, SUSAN等特征点提取的文章8篇以及灰度相关，边缘匹配和形状匹配的模板匹配的相关文章3篇。

在工业应用中，定位是大多数应用场景必不可少的环节。通过定位，我们可以对设备作业位置或区域进行调整，如打标、切割、机械手引导等应用。除此之外，我们还可以对被测物进行定位，根据定位数据缩小检测区域以达到提高检测速度和降低误检的目的。我们一般会提取特征点或者采用模板匹配的方式对被测物进行定位。

1. SIFT：

经典的图像匹配算法----SIFT尺度不变特征转换即SIFT (Scale-invariant feature transform) 是一种计算机视觉的算法。它用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由David Lowe在1999年所发表，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。

2. SURF：

基于SURF算法相似图像相对位置的寻找SURF 全称 speed up robust feature 是加速版的SIFT，SURF可以用于对象定位和识别、人脸识别、3D重建、对象跟踪和提取兴趣点等。常用来进行物体辨识和图像匹配。

3. HOG：

目标检测的图像特征提取之--HOG特征方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。

4. ORB：

OpenCV特征点检测——ORB特征ORB是ORiented Brief的简称，Brief是Binary Robust Independent Elementary Features的缩写。这个特征描述子是由EPFL的Calonder在ECCV2010上提出的。主要思路就是在特征点附近随机选取若干点对，将这些点对的灰度值的大小，组合成一个二进制串，并将这个二进制串作为该特征点的特征描述子。

5. LBP：

机器学习实战——LBP特征提取LBP(Local Binary Pattern)算法 是一种描述图像特征像素点与各个像素点之间的灰度关系的局部特征的非参数算法，同时也是一张高效的纹理描述算法。LBP算法首次提出于1994年，主要是使用8邻域位置的局部关系，具有灰度不变性。

6. Harris：

Harris角点检测原理与流程人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时，窗口内图像的灰度没有发生变化，那么窗口内就不存在角点；如果窗口在某一个方向移动时，窗口内图像的灰度发生了较大的变化，而在另一些方向上没有发生变化，那么，窗口内的图像可能就是一条直线的线段。

7. FASTN：

FASTN如何快速的检测出角点用一句话来讲FASTN算法的原理就是：看一个像素周围有一定数量的像素与该点像素值不同，则认为其为角点。

8. SUSAN：

特征检测之SUSAN算法SUSAN(Smallest Univalue Segment Assimilating Nucleus)直接对图像灰度值进行操作，方法简单，无需梯度运算，保证了算法的效率；定位准确，对多个区域的结点也能精确检测；并且具有积分特性，对局部噪声不敏感，抗噪能力强。

9. 灰度相关：

OpenCV系列之模板匹配模板匹配的基本原理很简单：模板图像T叠放在待搜寻的图像I上，模板覆盖被搜索图的那块区域叫子图Iij（i，j为子图左上角在待搜索图像I上的坐标，这里有1≤i≤M-m，1≤j≤N-n），计算子图与模板的相似度；计算所有满足条件的子图与模板图像的相似度，并找出相似度达到最大。

10. 边缘匹配：

基于边缘的多目标模板匹配这里的模板匹配的方法其实并不复杂，利用目标的边缘信息用于搜索目标图像的模板所在位置。先上模板图像，利用一定的方法提取模板图像的边缘，提取边缘中做了一定的优化，如最大值抑制，双滞滤波器等等，使得边缘信息足够精确，提取出的边缘图像与模板图像放一起好对比。

11. 形状匹配：

Halcon教程之基于形状的匹配（干货）基于形状的匹配不使用像素及其邻域的灰度值作为模板而是用轮廓的形状描述模型。该文主要讲述四个方面，1. 基于形状的匹配的一个示例， 2.如何从参考图像选择一个适当的 ROI派生模板图像， 3. 如何创建合适的模型， 4. 如何优化搜索。