关键点、描述子与特征匹配
概念解释
关键点选择具有辨识度的位置，描述子把局部邻域编码为向量或二进制串。SIFT 与 ORB 等方法通过不同机制处理一定范围的尺度或旋转变化；匹配阶段寻找描述子相似的候选对应。
核心方法与条件
浮点描述子常使用 L2 距离，二进制描述子使用 Hamming 距离。可用最近邻与次近邻的距离比、双向一致性及几何约束筛除歧义匹配，最后再估计变换。
例题或应用
某描述子的最近与次近距离分别为 24 和 40，比值为 0.6；若预设比值阈值 0.75，这个候选可通过初筛。阈值只是筛选规则，仍需验证对应点是否符合场景几何。
常见易错点
窗格、栅栏等重复纹理容易产生相似描述子，光滑墙面则可能没有足够关键点。特征数量多不代表对应正确，严重视角变化、运动模糊和曝光变化都可能破坏匹配。
自检
请尝试不用原文解释“关键点、描述子与特征匹配”解决什么问题，再设计一个属于“传统视觉”的实例，并说明适用条件和判断依据。