被认为是最有效的图像搜索方法之一。 从图像中提取许多特征，以确保即使旋转/缩放/倾斜也能再次识别相同的特征。 以这种方式提取的特征可以与其他图像特征集匹配。 另一个在第一个图像中具有高比例特征的图像很可能描绘了同一个对象/场景。 它可以用来查找图片之间拍摄角度的相对差异，或重叠的数量。
SIFT算法描述
SIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配
这个算法具有比较良好的尺度不变性和旋转不变形
SURF算法
Speeded-Up Robust Features (SURF)
SURF算法的优点是速度远快于SIFT且稳定性好;在时间上，SURF运行速度大约为SIFT的3倍；在质量上，SURF的鲁棒性很好，特征点识别率较SIFT高，在视角、光照、尺度变化等情形下，大体上都优于SIFT。
ORB: Oriented FAST and Rotated BRIEF
具有局部不变性的特征 —— ORB特征，从它的名字中可以看出它是对FAST特征点与BREIF特征描述子的一种结合与改进
衡量指标与改进方向
一般用于图像匹配或者配置及拼接时:常有以下衡量指标：
检测关键点，检测时间，匹配点对数，匹配时间；误匹配点对；主观效果。
改进方向：
特征点提取：对上述三种算法的特征点提取及描述方面加以某种改进。
匹配：通常在匹配时有kd树搜素、双向匹配；在视频中可在首帧进行匹配求得变换矩阵，在首帧之后的k帧一直采用上述变换矩阵。RANSAC算法剔除误匹配点。