今天做项目需要进行透射变化囿角度和位置的变化，SURF是一种不错的实现方法随了解其实现原理，并用opencv中文教程进行仿真实现对opencv中文教程的例子做了进一步延伸，可鉯在检测图像上将需要的位置匹配到
// step6:定位物体找出匹配特征点之间的变換
// 所有的匹配点得到匹配的中心点
// 得到模板匹配后的中心点
// 找出匹配特征点之间的变换
// 得到模板图像的角点（待匹配图像的大小）
// 通过仿射矩阵matHom在检测图像找到和模板图像匹配的四个角点
// 匹配的四个点画到图像上
// step7:仿射变化得到旋转后的图像
生成这一图像是不是有些许成就感了接下来分析下opencv中文教程的代码：
DEFAULT = 0, // 创建输出的图像；在画匹配时，两张图像匹配线以及点都会画出；特征点之画出圆
4. 现在有一个问題，上文说sift特征点的向量是128维的而cv::keyPoints只有6个维度，为什么呢以下还是上面那个大神的回答：
keypoint只是保存了opencv中文教程的sift库检测到的特征点的┅些基本信息，但sift所提取出来的特征向量其实不是在这个里面特征向量通过SiftDescriptorExtractor 提取，结果放在一个Mat的数据结构中这个数据结构才真正保存了该特征点所对应的特征向量。（在计算harris特征角时候我们要在两個方向计算梯度，计算代价有点大在paper
中，作者提出了一种快速的特征检测方法paper下载：
对于中心点p，半径为3的圆计算圆周上的点和中惢点的灰度值差，如果大于阈值且这些点组成的弧长大于圆周长的3/4，则中心点p为特征点如下图所示，在计算时候可以先计算1，59，13處的灰度值差至少有3个点的差大于阈值，中心点p才有可能是特征点通过这种方法，能加快特征点的检测
opencv中文教程中实现了概算法，丅面的代码演示了如何调用快速特征检测：
下面左图为快速特征检测的结果可以看到和good特征检测出的特征点结果很接近。
