基于局部特征的对象识别通常要对图像进行具有高度辨别性及重复率的特征的提取，这些特征往往需要具有一定的视角不变性以克服尺度、仿射变换等所带来的影响。得到局部特征后，需要以特征描述子形式得到统一的数学描述。然后通过在序列图像中对所构建特征的匹配完成目标对象的识别。　　 本文的目的在于对当前的一些效果较佳的局部特征检测子作深入的原理分析和总结，特别在于对局部特征类别的分类归纳，对应用中局部特征的选择提供了指引。在此基础上提出了对象识别的总体框架。对象识别包括以下步骤：1.对输入的模板图像进行手工的感兴趣对象分割，该对象将是需要检测的目标对象；2.在模板图像感兴趣区域内提取一种或多种局部特征，并计算特征描述子得到局部特征的描述；3.对目标图像采用相同的局部特征检测子和描述子，得到目标图像的局部特征描述；4.对由步骤2和步骤3得到的特征进行匹配；5.对步骤4得到的特征匹配对集进行野值的排除，并估计内点集对应的几何变换；6.由步骤5得到的几何变换模型确定目标对象的位置。　　 在步骤2和3中，本文采用了具有仿射不变性的Harris-Affine和MSER局部特征检测子和SIFT特征描述子。Harris-Affine检测子首先从具有旋转不变性的Harris角点出发，利用规范化高斯拉普拉斯算子响应的极值得到特征尺度，再通过估计仿射二阶矩矩阵得到仿射不变特征区域；MSER则使用类似于分水岭图像分割算法得到稳定的仿射不变区域，该方法提取到的是在分割过程中阈值在大范围内变化仍然稳定的灰度相似的区域；SIFT描述子使用梯度方向直方图使得能够容忍梯度位置的较大偏移，从而克服检测子提取特征位置上的误差。Harris-Affine和MSER两种特征的结合使得在存在较大视角变化的情况下仍能找出可靠匹配，同时，因两种特征具有互补特性，对象能得到更多的特征区域覆盖，为目标识别打下良好基础。在步骤5中，因为初步的匹配集中可能存在错误匹配对，即野值，使用RANSAC鲁棒估计算法可以有效地去除野值的影响，得到有效的单应估计。该算法通过对匹配对进行随机采样，估计采样匹配对的单应矩阵，通过距离阈值判断得到有效支集。通过多次的采样估计，得到最大支集，由此得出单应最佳估计。实验结果表明，上述多特征结合及鲁棒估计排除野值的方法能取得较好的目标识别结果。