基于特征的图像匹配算法一般不直接依赖于象素值，通常需要经过较复杂的图像处理以提取特征，通常在图像和变换后的图像中提取对比例、缩放、旋转、灰度变换具有不变性的特征[1]。这种方法的优点在于：
(1)充分利用了图像灰度特性和相关特性。
(2)有效地消除由于背景或光照引起的误匹配。
(3)对图像的各种非本质变化(如旋转、缩放和光照强度变化等)不敏感，对含有一定噪声和轻微扭曲的图像都可以匹配。
而该方法也存在一定缺点：算法非常复杂，一般涉及大量的几何计算与图像形态学计算，计算非常大量大，计算时间较长而难以达到实时性要求，且没有一般模型可遵循，需要针对不同应用场合选择各自合适的特征[1]。
基于模型的匹配方法在计算机视觉领域有着非常广泛的应用。基于模型的匹配方法可以风两大类：一类是刚体形状的匹配，一类是变形模板的匹配。
基于变换域的匹配方法也被称作基于频域的匹配方法有基于傅里叶变换、基于Gabor变换和基于小波变换的匹配，这几种匹配方法对图像的噪声不敏感，匹配结果也不受光照变化的影响，可以较好的处理匹配图像间的尺度变化和旋转的问题[20]。
国内外现在对图像匹配的研究主要集中在三个方面，即图像匹配三要素：匹配的数据类型，相似性度量，搜索策略。
(1) 匹配的数据类型 匹配的数据类型就是所选的匹配对象用来进行匹配运算的内容，比如是灰度或者是特征。
(2) 相似性度量 相似性度量即是计算相似度的一中函数形式。
(3) 搜索策略 待匹配图像中往往不仅仅只有目标对象，匹配过程中需要在待匹配图像中搜索与模板相同的图像，为了减小计算量和提高速度，一种好的搜索策略是不可缺的。
图1.1 形状匹配的分类

对图像匹配技术进行分类和比较是十分困难的，因为每一种形状匹配算法都是为了某种具体应用而设计的，单对某些特定的应用来说，没有任何一种技术是必须和唯一的。
随着互联网时代的来临和通信技术的发展，数字图像处理技术在几年的信息领域中的应用越来越广泛。但是数据图像的数据量庞大这一显著的缺点，严重限制了数字图像处理和图像匹配技术的实时性应用的发展。图像匹配的准确性和实时性是互相矛盾的，在保持匹配准确性的同时如何提高匹配速度是现阶段对匹配算法研究的重点。在序列目标图像分析、跟踪、识别，工业加工的实时监控和检测应用中，一般是处理的上述的模板匹配的第二种情况，根据已知的模式，在另一幅图像中搜索类似模板的目标[1]。
1.3 图像匹配的一般步骤
图像匹配技术是一个多步骤的过程，总的来说，可以分为图像输入、图像预处理、匹配有用信息提取、进行图像匹配、输出匹配结果[7]。当采用不同的匹配方法是，所经历的步骤也会有些许不同。如图1所示图像匹配的一般流程。
图1.2 图像匹配的一般流程
输入图像即为带匹配图像，由于拍摄时间不同光照、角度的变化会使图像待匹配的目标不是那么清晰，因此输入图像后要先进滤波、降噪等增强图片辨识度的预处理。接下来便是有用信息提取，即第一章所说的特征提取。对特征进行匹配运算比直接对灰度值运算的运算量小很多，能提高匹配速度。再次就是相似度的计算也就是匹配是否成功的计算。最后就是结果输出，输出的可以是字符也可以在待匹配图像中用模板轮廓圈出匹配成功的目标物体。 HDevelop基于特征的轮廓的形状匹配+程序(3):http://www.youerw.com/zidonghua/lunwen_34988.html