信息摘要：
機器人視覺領域是最早開始研究有紋理的物體的，如飲料瓶、零食盒等表面帶有豐富紋理的都屬于這一類。
機器人視覺領域是最早開始研究有紋理的物體的，如飲料瓶、零食盒等表面帶有豐富紋理的都屬于這一類。
當然，這些物體也還是可以用類似邊緣提取+模板匹配的方法。但是，實際上下料機器人操作過程中，環境會更加復雜：光照條件不確定（光照）、物體距離相機距離不確定（尺度）、相機看物體的角度不確定（旋轉、仿射）、甚至是被其他物體遮擋（遮擋）。
Lowe提出了一個叫做SIFT（Scale-invariantfeaturetransform）的超強局部特征點：
Lowe,DavidG."Distinctiveimagefeaturesfromscale-invariantkeypoints."Internationaljournalofcomputervision60.2(2004):91-110.
具體原理可以看上面這篇被引用4萬+的論文或各種博客，簡單地說，這個方法提取的特征點只跟物體表面的某部分紋理有關，與光照變化、尺度變化、仿射變換、整個物體無關。
因此，利用SIFT特征點，可以直接在相機圖像中尋找到與數據庫中相同的特征點，這樣，就可以確定相機中的物體是什么東西（物體識別）。
對于不會變形的物體，特征點在物體坐標系下的位置是固定的。所以，我們在獲取若干點對之后，就可以直接求解出相機中物體與數據庫中物體之間的單應性矩陣。
如果我們用深度相機（如Kinect）或者雙目視覺方法，確定出每個特征點的3D位置。那么，直接求解這個PnP問題，就可以計算出物體在當前相機坐標系下的位姿。
當然，實際操作過程中還是有很多細節工作才可以讓它真正可用的，如：先利用點云分割和歐氏距離去除背景的影響、選用特征比較穩定的物體（有時候SIFT也會變化）、利用貝葉斯方法加速匹配等。
而且，除了SIFT之外，后來又出了一大堆類似的特征點，如SURF、ORB等。
