图像匹配是应用一定的算法来识别两个图或多个图中具有相同名称的点。 图像匹配主要分为基于灰度的匹配和基于特征的匹配。
模板匹配是基于像素的匹配，用于在大图像中搜索模板图像的位置。 类似于2D卷积，使用模板图像在输入图像上滑动，并且针对每个位置将堆模板图像与其对应的输入图像的子区域进行比较。
模板匹配规则：平均绝对差算法(MAD ) )。
该算法计算比较简单，匹配精度高； 但是，该方法运算量大，堆噪声特别敏感。 绝对误差和算法(SAD )误差平方和算法(SSD )平均误差平方和算法(MSD )归一化乘积相关算法(NCC )序贯相似性检测算法(SSDA ) hadamard转换算法(SATD )特征匹配
2、FLANN匹配器
3、FLANN单性匹配
总结深度学习的方法，模板匹配有自己的局限性，主要表现在只能平移，当原图像中的匹配目标旋转或大小变化时，该算法失效。
模板匹配基于像素，特征匹配基于区域，特征匹配在考虑像素灰度的同时，还考虑整个空间的特征、空间关系等因素。
特征是图像内容的抽象描述，与基于灰度的匹配方法相比，特征不易受几何图像和辐照度的影响而变化。 但是，特征图的提取方法计算成本较大，需要一定的自由参数和预先经验选择的阈值，因此难以实时应用，同时在纹理较少的图像区域提取的特征密度通常较少，难以进行局部特征的提取。 此外，特征匹配方法的相似性度量也很复杂，大多通过结合特征属性、启发式方法和阈值来确定度量方法。
在实际应用中，优先考虑模板匹配，然后选择特征匹配，最后选择深度学习方式。