1.局部算子分类：

1）基于分布的算子：使用直方图表现不同的外观或形状特

2）空间频率技术：傅立叶变换和盖伯变换

3）微分算子：

2.局部特征建立依赖的空间

1）归一化的Laplacian尺度空间

 2)  Difference of Gaussian

3. 局部区域检测算法

1）Harris points    旋转不变量 特征点周围41×41像素区域 大小固定

2）Harris-Laplace regions  旋转和尺度不变量  检测角点结构特征

3）Hessian-Laplace regions 旋转和尺度不变量  特征点是由Hessian 决定的空间极大值和Laplacian-of-Gaussian.尺度空间极大值，与DoG检测近似，但是在尺度空间能获得更高的准确度，并且在尺度选择上的准确度也高于Harris-Laplace 。检测的准确性影响算子的执行力。

4）Harris-Affine regions    仿射不变量  由Harris-Laplace 检测子检测位置和尺度，附近的仿射由基于二次动差矩阵的affine adaptation 程序决定

5）Hessian-Affine regions   仿射不变量  由Hessian-Laplace 检测子检测位置和尺度，附近的仿射由affine adaptation 程序决定

4. 局部区域描述子

1） SIFT描述子 是一个3D梯度位置方向直方图，位置被量化到4×4局部栅格，梯度角度分为8个方向，算子为4×4×8＝128维

 2）Gradient location-orientation histogram (GLOH)，GLOH是SIFT描述子的一种延伸，为了增强其鲁棒性和独立性。以对数极坐标在半径方向建立三个带（6，11，15）和8个角度方向，形成17个位置带，中心带在半径方向不分块。梯度方向量化为16个带，形成272维矢量，利用PCA降维

 3）Shape context 与SIFT描述子相似，但是基于边缘 Shape context是一个边缘点位置和方向的3D直方图，以对数极坐标在半径方向建立三个带（6，11，15）和4个角度方向，生成36维描述子

4）Geometric histogram 在一个区域内描述边缘分布直方图

4）PCA-SIFT 描述子 以特征点周围39×39像素块形成3024维矢量，用PCA降维36维

5）Spin image  是一个量化像素位置和强度的直方图 ，在5个圆环中计算10个强度带，生成50维算子

 6）Steerable filters and differential invariants  使用与高斯卷积后的导数

7）Complex filters

8) Moment invariants

9) Cross correlation

6.匹配方法：

基于阈值的匹配

基于最近邻匹配：如果DB是DA的最近邻区域，且之间的距离小于阈值则区域A与区域B是匹配的

基于次最近距离与最近距离之比：