基於灰度的匹配一般被稱為模版匹配，直接以灰度進行匹配效果不好，對光照很敏感，所以一般會以灰度歸一化互相關（NCC）作為匹配依據，增強光照變化下的魯棒性，為了降低計算量，多采用影象金字塔來實現先粗後精的方式加快匹配速度，匹配出畫素位置後，會進一步做亞畫素插值，使匹配出的位置達到更高的精度，處理旋轉和縮放也很直接，就是在限定的角度範圍和縮放比例內，取一定的步長生成多張模版，一一進行匹配。模版匹配處理遮擋比較困難，對光照變化想當敏感，如果有遮擋，一般情況下就不好使了。基於特徵的匹配一般稱為影象配準，這方面的論文很多很多，當然現在的已不是研究熱點，至少二維的情況是這樣，三維以及高維的間或會冒出來那麼一兩篇。基於特徵的匹配，就如你所寫的那樣，提取特徵點，用演算法迭代求出相互匹配的特徵，求出這些匹配特徵點之間的變換關係。處理旋轉縮放也很直接，選用具有仿射或投影不變性的特徵即可。基於特徵的匹配，對光照不太敏感，也可以一定程度上處理遮擋，提速和提高精度的方法和模版匹配裡提到的基本相同，當然如果影象中提取不到足夠多的特徵點的話，這個方法就很難奏效了。還有匹配方法是基於幾何形狀資訊，就是提取模版中的邊緣和梯度，梯度方向等影象高頻的部分，作為匹配的依據，對抗旋轉縮放，提速，提高精度也和上面的類似。這一部分完整公開可用的程式碼很少，幾乎沒有，opencv裡也沒涉及，但這個演算法被絕大多數商業庫採用，因為它可以在光照變化，形變以及遮擋的情況下達到很高的魯棒性。樓主可以看一下主流的商業機器視覺庫，比如Halcon，康耐視的VisionPro及它的PatMax專利演算法，OpeneVision裡的Match和Find模組，這些商業庫裡的匹配演算法都佔有很高的篇幅和重要性，而它們的魯棒性也不是一般演算法可以比擬的。再推薦給你一本書，機器視覺演算法及應用，是Halcon的資深研發人員寫的，有一章，模版匹配，裡有介紹Halcon裡實現的匹配演算法的實現原理。如果有人有這方面的資料和程式碼，歡迎交流和分享。
基於灰度的匹配一般被稱為模版匹配，直接以灰度進行匹配效果不好，對光照很敏感，所以一般會以灰度歸一化互相關（NCC）作為匹配依據，增強光照變化下的魯棒性，為了降低計算量，多采用影象金字塔來實現先粗後精的方式加快匹配速度，匹配出畫素位置後，會進一步做亞畫素插值，使匹配出的位置達到更高的精度，處理旋轉和縮放也很直接，就是在限定的角度範圍和縮放比例內，取一定的步長生成多張模版，一一進行匹配。模版匹配處理遮擋比較困難，對光照變化想當敏感，如果有遮擋，一般情況下就不好使了。基於特徵的匹配一般稱為影象配準，這方面的論文很多很多，當然現在的已不是研究熱點，至少二維的情況是這樣，三維以及高維的間或會冒出來那麼一兩篇。基於特徵的匹配，就如你所寫的那樣，提取特徵點，用演算法迭代求出相互匹配的特徵，求出這些匹配特徵點之間的變換關係。處理旋轉縮放也很直接，選用具有仿射或投影不變性的特徵即可。基於特徵的匹配，對光照不太敏感，也可以一定程度上處理遮擋，提速和提高精度的方法和模版匹配裡提到的基本相同，當然如果影象中提取不到足夠多的特徵點的話，這個方法就很難奏效了。還有匹配方法是基於幾何形狀資訊，就是提取模版中的邊緣和梯度，梯度方向等影象高頻的部分，作為匹配的依據，對抗旋轉縮放，提速，提高精度也和上面的類似。這一部分完整公開可用的程式碼很少，幾乎沒有，opencv裡也沒涉及，但這個演算法被絕大多數商業庫採用，因為它可以在光照變化，形變以及遮擋的情況下達到很高的魯棒性。樓主可以看一下主流的商業機器視覺庫，比如Halcon，康耐視的VisionPro及它的PatMax專利演算法，OpeneVision裡的Match和Find模組，這些商業庫裡的匹配演算法都佔有很高的篇幅和重要性，而它們的魯棒性也不是一般演算法可以比擬的。再推薦給你一本書，機器視覺演算法及應用，是Halcon的資深研發人員寫的，有一章，模版匹配，裡有介紹Halcon裡實現的匹配演算法的實現原理。如果有人有這方面的資料和程式碼，歡迎交流和分享。