我最近在OpenCV中发现了相位相关，使用对数极坐标变换（LPT）可以执行旋转和缩放不变模板匹配。我想知道这个方法和这里描述的所有模板匹配方法之间的区别是什么http://docs.opencv.org/2.4/doc/tutorials/imgproc/histograms/template_matching/template_matching.html，它们对于任何旋转或缩放看起来都不那么健壮了。
我想我的问题是：
的优点和缺点是什么答案 0 :(得分：6)
相位相关和对数极坐标变换在频域中实现，这两种算法都是从傅立叶移位定理导出的，即两个平移图像在频域中将显示相似的相位差。相位相关能够仅记录平移运动而对数极坐标变换在对数极坐标域中起作用，其实质上将旋转和尺度变化转换为线性平移。因此，使用对数极坐标匹配，您可以注册两个缩放旋转的图像和彼此翻译的副本。这两种算法都不能注册变形变换。有关模糊度和旋转范围以及这些算法可以确定的比例变化的详细分析，您可以参考本文“http://ieeexplore.ieee.org/document/901003/”。
模板匹配基本上是使用不同的相似性度量（平方差和，归一化互相关，Hausdorff距离等）在基础图像中找到已知模板的存在。因此，匹配可以应用于空间属性（强度图像，边缘图，HOG）或频率属性（相位）。相位相关和对数极坐标匹配可以在相同尺寸的图像上实现，因此基于相位的模板匹配将基本上对应于在搜索空间中找到具有最高相关值的相同补丁。
SIFT，SURF等根据各种参数生成一个大的特征向量集，使其不受尺度变化，噪声和光照变化的影响。这是一个非常广泛的主题，许多论文可以在线比较它们的功能。
根据我的经验，SIFT，SURF是一个更健壮的分类器，用于在一个帧中定位对象，但如果您计划在视频中定位一个计算时间是限制因素的对象，那么模板匹配会更好。