信息摘要：
机器人视觉领域是最早开始研究有纹理的物体的，如饮料瓶、零食盒等表面带有丰富纹理的都属于这一类。
机器人视觉领域是最早开始研究有纹理的物体的，如饮料瓶、零食盒等表面带有丰富纹理的都属于这一类。
当然，这些物体也还是可以用类似边缘提取+模板匹配的方法。但是，实际上下料机器人操作过程中，环境会更加复杂：光照条件不确定（光照）、物体距离相机距离不确定（尺度）、相机看物体的角度不确定（旋转、仿射）、甚至是被其他物体遮挡（遮挡）。
Lowe提出了一个叫做SIFT（Scale-invariantfeaturetransform）的超强局部特征点：
Lowe,DavidG."Distinctiveimagefeaturesfromscale-invariantkeypoints."Internationaljournalofcomputervision60.2(2004):91-110.
具体原理可以看上面这篇被引用4万+的论文或各种博客，简单地说，这个方法提取的特征点只跟物体表面的某部分纹理有关，与光照变化、尺度变化、仿射变换、整个物体无关。
因此，利用SIFT特征点，可以直接在相机图像中寻找到与数据库中相同的特征点，这样，就可以确定相机中的物体是什么东西（物体识别）。
对于不会变形的物体，特征点在物体坐标系下的位置是固定的。所以，我们在获取若干点对之后，就可以直接求解出相机中物体与数据库中物体之间的单应性矩阵。
如果我们用深度相机（如Kinect）或者双目视觉方法，确定出每个特征点的3D位置。那么，直接求解这个PnP问题，就可以计算出物体在当前相机坐标系下的位姿。
当然，实际操作过程中还是有很多细节工作才可以让它真正可用的，如：先利用点云分割和欧氏距离去除背景的影响、选用特征比较稳定的物体（有时候SIFT也会变化）、利用贝叶斯方法加速匹配等。
而且，除了SIFT之外，后来又出了一大堆类似的特征点，如SURF、ORB等。
