4. 特征点提取与匹配：SIFT、SURF、ORB 与 RANSAC
各位同学，今天我们来聊聊 AR/VR 里最基础也最核心的一环——特征点提取与匹配。
说白了，就是让机器学会「看」两张图里哪些地方是同一个东西。你想想看，手机 AR 里那个虚拟茶杯为什么能稳稳地放在桌面上？背后全靠特征点在做定位。
4.1 特征点是什么？
特征点，就是图像里那些「与众不同」的像素点。比如墙角、纹理丰富的区域、或者明暗变化剧烈的地方。
我个人习惯把特征点比作「图像的指纹」。每张图都有自己独特的指纹集合，我们通过比对指纹来判断两张图是否对应同一场景。
- 可重复性：换个角度、换个光照，同一个物理点还能被检测到
- 独特性：这个点的描述要足够特别，不能跟其他点混淆
- 鲁棒性：对旋转、缩放、光照变化不敏感
4.2 三大经典算法：SIFT、SURF、ORB
4.2.1 SIFT（尺度不变特征变换）
SIFT 是祖师爷级别的算法。2004 年由 Lowe 提出，至今仍是很多工业级应用的基准。
它的核心思想是：在尺度空间中寻找极值点。说白了，就是让算法在不同模糊程度的图像里都去找「最突出的点」。
SIFT 的步骤大致如下：
- 构建高斯金字塔（不同尺度的模糊图像）
- 检测 DoG（高斯差分）空间的极值点
- 精确定位关键点（去除低对比度和边缘响应）
- 为每个关键点分配主方向
- 生成 128 维的描述子
4.2.2 SURF（加速鲁棒特征）
SURF 是 SIFT 的「加速版」。它用盒状滤波器近似高斯二阶微分，用积分图加速计算。
嗯，这里要注意：SURF 虽然快，但精度略低于 SIFT。我在做实时 SLAM 时，如果硬件算力够，我宁愿用 SIFT 的简化版，而不是 SURF。
| 算法 | 检测子 | 描述子维度 | 旋转不变 | 尺度不变 | 速度 |
|---|---|---|---|---|---|
| SIFT | DoG | 128 | 是 | 是 | 慢 |
| SURF | Hessian 矩阵 | 64 | 是 | 是 | 中等 |
| ORB | FAST | 32（二进制） | 是（rBRIEF） | 否（可加金字塔） | 极快 |
4.2.3 ORB（定向 FAST 和旋转 BRIEF）
ORB 是 2011 年由 Ethan Rublee 等人提出的。它把 FAST 角点检测和 BRIEF 描述子结合，并加入了方向信息。
说白了，ORB 就是「又快又够用」的代表。它没有 SIFT 那么精确，但在手机 AR 这种实时场景下，ORB 是绝对的主力。
4.3 特征匹配：暴力匹配 vs FLANN
特征点提取完了，接下来就是匹配。说白了，就是给两张图的特征点「找对象」。
4.3.1 暴力匹配（Brute-Force）
最简单粗暴的方法：拿图 A 的每个特征点，跟图 B 的所有特征点算一遍距离，选最近的。
复杂度是 O(n²)，特征点少的时候还行。我记得有一次做小物体识别，两张图各只有 50 个特征点，暴力匹配 1 毫秒就搞定了。
// OpenCV 中的暴力匹配示例
cv::BFMatcher matcher(cv::NORM_L2);
std::vector<cv::DMatch> matches;
matcher.match(descriptors1, descriptors2, matches);4.3.2 FLANN（快速最近邻搜索库）
当特征点数量上千时，暴力匹配就扛不住了。FLANN 通过构建 KD-Tree 或 K-Means 树来加速搜索。
实际项目中，我一般这样选：
- 特征点 < 500：暴力匹配，简单可靠
- 特征点 > 500：FLANN，速度提升 10-100 倍
- 二进制描述子（如 ORB）：用汉明距离 + FLANN
4.4 RANSAC：剔除误匹配
匹配完了，你会发现很多「假配对」。比如把桌角跟天花板上的灯给配上了。这时候就需要 RANSAC 来清理垃圾。
RANSAC（随机抽样一致性）的核心思想很简单：
- 随机选几个匹配点，算出一个变换模型（比如单应矩阵）
- 用这个模型去验证所有匹配点，看哪些符合（内点），哪些不符合（外点）
- 重复多次，保留内点最多的那个模型
我曾经在一个 AR 导航项目里，匹配正确率只有 30%，经过 RANSAC 过滤后，正确率提升到了 95% 以上。嗯，RANSAC 就是有这样的魔力。
// OpenCV 中使用 RANSAC 计算单应矩阵
cv::Mat H = cv::findHomography(points1, points2, cv::RANSAC, 3.0);
// 返回的 mask 中，1 表示内点，0 表示外点
std::vector<uchar> inliers_mask;
H = cv::findHomography(points1, points2, cv::RANSAC, 3.0, inliers_mask);4.5 本章知识体系
下面这张图总结了特征点提取与匹配的完整流程：
从图中可以看到，整个流程是线性的：输入图像 → 特征提取 → 特征描述 → 特征匹配 → RANSAC 过滤。每一步都有多种算法可选，具体选哪个，取决于你的应用场景和硬件条件。
- 追求精度、不差算力：选 SIFT + 暴力匹配 + RANSAC
- 追求实时、场景纹理丰富：选 ORB + FLANN + RANSAC
- 中等需求、平衡型：选 SURF + FLANN + RANSAC
好了，特征点这块的内容就到这里。记住，没有最好的算法，只有最合适的算法。多动手试试，你自然就找到感觉了。