理论
在前一节，我们看到了SIFT来做关键点检测和描述，但是它相对来说比较慢，人们需要更快的版本。在2006， 三个人，Bay，H.，Tuytelaars,T.和Van Gool, L, 发表了另一篇论文“SURF: Speeded Up Robust Features”介绍了一个新的算法叫SURF，名字中可以知道，他是加速版的SIFT。
SURF用盒子过滤器来近似LoG，下面的图演示了这种近似。一个很大的好处是用盒子过滤器卷积可以很容易的计算，还可以在不同尺度并行计算。SURF在尺度和位置上依赖Hessian矩阵的决定。
OpenCV里的SURF
OpenCV提供了SURF函数，你用一些可选条件，比如64/128-维的描述来初始化一个SURF对象，然后做SIFT，我们可以使用SURF.detect()， SURF.compute()来找关键点和描述。
首先我们会看到一个简单的demo
>>> img = cv2.imread('fly.png',0)
# Create SURF object. You can specify params here or later.
# Here I set Hessian Threshold to 400
>>> surf = cv2.SURF(400)# Find keypoints and descriptors directly
>>> kp, des = surf.detectAndCompute(img,None)>>> len(kp)
699
1199个关键点太多，我们减少到50好画他们，当匹配时我们需要所有的特征，所以我们提高Hessian阈值。
# Check present Hessian threshold
>>> print surf.hessianThreshold
400.0# We set it to some 50000. Remember, it is just for representing in picture.
# In actual cases, it is better to have a value 300-500
>>> surf.hessianThreshold = 50000# Again compute keypoints and check its number.
>>> kp, des = surf.detectAndCompute(img,None)>>> print len(kp)
47
这比50少了，我们画出它来
>>>img2=cv2.drawKeypoints(img,kp,None,(255,0,0),4)
>>>plt.imshow(img2),plt.show()
现在使用U-SURF.
# Check upright flag, if it False, set it to True
>>> print surf.upright
False>>> surf.upright = True
# Recompute the feature points and draw it
>>> kp = surf.detect(img,None)
>>> img2 = cv2.drawKeypoints(img,kp,None,(255,0,0),4)>>> plt.imshow(img2),plt.show()
看下面的结果，所有的方向都一样了，这比前面的更快，如果你遇到的是不太关心方向的，这就更好。
最后我们检查描述的大小，如果是64维的话就把它变成128。
# Find size of descriptor
>>> print surf.descriptorSize()
64# That means flag, "extended" is False.
>>> surf.extended
False# So we make it to True to get 128-dim descriptors.
>>> surf.extended = True
>>> kp, des = surf.detectAndCompute(img,None)
>>> print surf.descriptorSize()
128
>>> print des.shape
(47, 128)
