摘自《深入瞭解OpenCV》-Daniel Lelis Baggio

模式檢測的最好結果是由檢測器計算關鍵點方向和大小來獲得的。這樣會使得關鍵點具有旋轉不變性和伸縮不變性。

……

如果處理影象，按畫素匹配會花很長的世界，並且仍需處理旋轉和縮放（傳統的一些影象配准算法，如投影法）。這絕對不是一種好的選擇。使用特徵點可以解決這個問題。通過檢測特徵點，其得到的特徵對影象各部分都有描述，這包含大量資訊（這是因為角點探測器會得到邊緣，角點和其他有非明顯變化的影象）。因此，要找到兩幀之間的對應關係，只需要匹配關鍵點。

這裡說的，其實就是降維。怎麼讓機器學習更加高效、準確？顯然，影象資料屬於比較高維的資料，資料量大，而且冗餘資訊多，必須將畫素值轉換為一種更適合表達影象本質特徵的低維量，這個“量”就是特徵，計算特徵的過程就是特徵提取。

提取到目標影象的特徵後，通過與輸入影象進行特徵匹配，找到那些相同的區域或者畫素點，就是上面所說的關鍵點。至於關鍵點代表了什麼？這跟特徵的定義有關，不同的特徵具有不同的意義。

PCA、LBP等常用的特徵，用於關鍵點匹配的SURF也是一種特徵，甚至於邊緣檢測的Sobel也可以算作一種特徵。