特征描述符这几个字，做视觉的应该都不陌生。不管你是做图像拼接、三维重建、SLAM还是简单的模板匹配，第一步几乎都是从图像里找“能对上号”的关键点，然后把关键点周围的信息量化成向量，拿去做匹配。SIFT、SURF、ORB这三个名字出现在各种论文和开源项目里，但真正到了自己选型的时候，很多人会纠结：到底用哪个？差别在哪？为什么有的项目非SIFT不可，有的项目看见SIFT就跑不动？这篇文章不打算跟你念教科书，我想直接从工程实践的角度，把这三种描述符的原理差异、适用场景、参数调整和常见的坑一次说清楚。不管你是刚入门的初学者，还是已经在做实际视觉项目的开发者，这篇文章应该都能给你一些能直接落地的参考。

先说结论：这三个算法没有绝对的谁好谁坏，它们在计算速度、鲁棒性和实现复杂度上分别占据了不同的生态位。SIFT精度高但慢，SURF是SIFT的加速变体，ORB快得离谱但稳定性略逊。关键是你得知道自己的任务对“精度”和“速度”的权重是怎么分配的。

1. 特征描述符这个“老话题”为什么到现在还没过时

1.1 特征提取在视觉任务里的角色

很多刚接触OpenCV的朋友会把特征提取想象成一个很神秘的步骤，其实它就是一句话：让计算机学会在两幅图里找到相同的地方。可以类比成两个人分别站在两座山头看向同一片风景，描述“我看到了一个红色的尖顶房子”和“房子旁边有三棵松树”，然后通过描述的组合来对齐位置。SIFT、SURF、ORB干的就是这件事：找到图像上那些足够独特、不容易认错的结构点（也就是特征点），然后用一串数字把这些点的“长相”记录下来（也就是描述子）。

特征描述子的核心指标有两个：可重复性和可区分性。可重复性意味着无论图像怎么旋转、缩放、光照变化，同一个物理点都能被算法稳定地找出来；可区分性则是说不同的特征点在描述子空间里的距离足够大，不会随便混淆。这里有个矛盾：想让特征点稳定，就要让它对图像的拓扑结构敏感；但想让特征点区分度高，又要让它忽略全局的亮度变化。不同算法就是在平衡这两个指标的过程中做出了不同的技术取舍。

我在实际项目中最大的感触是，很多同学调了一堆参数、跑了半天匹配，效果不好，问题其实不在算法本身，而是没有理解“特征点响应”的含义。你从一帧画面里提取的几百个关键点，背后一定跟图像的纹理丰富度、对比度强弱、边缘结构等信息密切相关。如果你拿一张白墙图片去做特征提取，再强的算法也救不了你，因为压根没有可用的结构信息。这一步的工程理解，往往比算法选型更快地决定项目成败。

1.2 为什么把SIFT、SURF、ORB放在一起比

这三个算法恰好代表了三种截然不同的技术路线。SIFT走的是尺度空间极值检测加浮点描述子的路线，SURF走的是积分图加速加Hessian近似检测的路线，ORB则干脆放弃了浮点描述子，用二进制字符串来加速匹配。从数学复杂度来看，它们大致是递减的；从实际工程速度来看，也是递减的。而从这些年工业界落地的情况来看，SIFT在离线高质量重建里地位稳固，SURF因为专利和模块化问题逐渐边缘化，ORB则在实时SLAM系统里几乎成了标配。

对比的意义在于帮你搭建一个决策框架。当你打开一个视觉项目需求文档，看到“实时”“嵌入式”“精度优先”“尺度变化大”这些关键词时，你的脑子里应该立刻能浮现出对应算法的轮廓，而不是犹豫半天还要去查Stack Overflow。在这篇文章里，我会把每个算法的原理用一个通俗的类比讲清楚，然后给出我在项目里用到的参数配置和踩过的坑，最后给你一张可以直接对号入座的选型表。

2. 三种算法的核心原理消化：从尺度空间到二进制串

2.1 SIFT：尺度不变性不是白来的

SIFT全程是Scale-Invariant Feature Transform，核心卖点就是尺度不变。什么叫尺度不变？就是你拿一个近处的大楼照片和远处的小楼照片去匹配，算法依然能找到对应点。要做到这一点，SIFT在检测阶段构建了一个金字塔式的尺度空间，通过对图像反复做高斯模糊和降采样，模拟出物体在不同距离下的样子。然后在每一层尺度空间里求高斯差分（DoG，Difference of Gaussian），把那些在邻近尺度和邻近空间位置上都达到极值的点作为候选特征点。

这里有一个容易忽略的点：DoG极值检测出来的点还只是“候选者”，SIFT会额外做一步亚像素定位和边缘响应剔除。为什么？因为DoG响应在边缘上也很强，但边缘点对齐时往往会因为视角变化而沿边缘滑动，导致匹配不稳定。所以SIFT用Hessian矩阵的主曲率来排除这类点，本质上是在说“我只留那些在多个方向上都有明显变化的角状结构”。我见过有的教程直接调detectAndCompute之后不去研究返回点的response值，其实这些response值排序之后可以在极端场景里帮你控制特征点质量，后面讲参数时会细说。

描述子生成阶段，SIFT先根据特征点邻域的梯度直方图给每个点分配一个主方向，把坐标轴旋转到主方向上，这就是旋转不变性的来源。然后在16x16像素的邻域内计算4x4的小块方向直方图，每个小块8个方向，最后拼成一个128维的浮点向量。做了归一化之后，再对大于0.2的梯度值截断一次再归一化，用来抵抗光照变化。这128维浮点向量就是SIFT描述子。

SIFT的缺点也很明显：每张图的特征提取都是高斯金字塔、梯度计算、直方图统计连续堆出来的，计算量大，实时性差。我在CPU上做过测试，一张1080p的室内图片提取SIFT特征，开销通常在数百毫秒这个量级，具体看特征点数量。对于离线处理这不算什么，但你要是把它搬上无人机做实时避障，就基本可以告别这个算法了。

2.2 SURF：用盒子滤波和积分图给SIFT减负

SURF的全称是Speeded-Up Robust Features，思路非常直接：既然SIFT慢，那就把它每一步都换成更快的近似操作。SIFT用高斯微分来构建尺度空间，SURF改成盒式滤波器（box filter）搭配积分图。什么是积分图？就是预先算好一张图，使得任意矩形区域的和可以在O(1)时间内查出来。这样一来，本来需要对每个像素做不同尺度滤波的运算，就变成了几次查表和加减法，速度自然就上来了。

检测阶段，SURF用Hessian矩阵的行列式来寻找极值点。学过线性代数的朋友知道，Hessian矩阵的描述子二阶微分构成，它的行列式值反映了该点邻域内灰度变化的结构强度。SURF对每个像素计算不同尺度下的Hessian行列式，取局部极值作为特征点位置。相比于DoG，SURF的检测对尺度空间的模拟更加连续，在高纹理区域的行为也更稳定。同时，SURF的特征点主方向分配不是靠梯度直方图循环搜索，而是在每个扇形区域里统计Harr小波响应，找响应向量和最大的方向，这一步也比SIFT的直方图投票要快很多。

描述子方面，SURF在特征点周围构建一个20x20像素的邻域，划分为4x4的子块，每个子块统计水平和垂直方向上的Harr小波响应和、绝对值和等信息，形成一个64维的描述子（扩展版是128维）。64维的好处有两层：存储开销小一半，匹配时的浮点内积计算也少一半。

我对SURF的评价是：它是一个非常“务实”的算法，在当年算力受限的年代确实是SIFT的好替代。但现在很多OpenCV版本里SURF被移到了contrib模块，加上它的专利授权问题，导致不少开发者干脆绕开它。如果你在做学术实验，可以用它当SIFT的对照；如果是在商用项目里，建议优先考虑SIFT或者ORB，少给自己找麻烦。

2.3 ORB：FAST角点加BRIEF描述子，快到了极致

ORB是Oriented FAST and Rotated BRIEF的缩写，它把两种已有的成熟技术拼到一起，又解决了它们各自的方向性问题。检测阶段用FAST角点检测，FAST核心思想是高亮像素跟它周围一圈像素做比较，如果连续有足够多的像素比中心点明显更亮或更暗，就认定这个点是个角点。FAST不需要计算尺度空间，也没有复杂的导数运算，只是做了几次像素比较，所以极快。为了得到多个尺度下的特征点，ORB在图像金字塔的每一层上都跑一遍FAST，相当于在速度和尺度鲁棒性之间做了个折中。

FAST的问题是没有方向，ORB就给它补了一个方向：在特征点邻域内计算灰度质心，用质心和特征点的连线方向作为主方向，这叫灰度质心法（Intensity Centroid）。有了方向之后，再对BRIEF描述子做改进。

BRIEF的原始思路非常朴素：在特征点邻域内随机选取若干对像素点，比较它们灰度值的大小，如果前者大于后者写成1，否则写成0，把这些二进制位拼起来得到一个字符串。比如256位就是32字节。它最大的优点是描述子本身是二进制串，匹配时可以用汉明距离快速比对，用异或运算加比特计数就能完成，比浮点向量的欧氏距离计算快一个数量级。但BRIEF对旋转非常敏感，一旦图像旋转，随机点对的位置就全错位了，匹配率断崖式下降。ORB的贡献在于按刚才算出来的主方向旋转随机点对的坐标，相当于让BRIEF的描述子具备了旋转感知能力，改进后的算法叫rBRIEF。

ORB的参数有个特别奇葩的坑：默认nfeatures是500，但你调大之后性能可能不升反降，因为它在尺度和响应之间做平衡的逻辑跟SIFT不一样。后面参数对照表里我会细说。

3. 关键参数与代码实操：裸调API往往容易踩坑

3.1 三种算法的核心参数到底该怎么调

很多教程给你一段“抄作业”代码，跑通了就完事，从不解释参数含义。实际工程里参数才是决定效果的核心环节。下面我按OpenCV Python接口，把三个算法最常见的参数挨个过一遍。

SIFT的参数，重点是nfeatures、contrastThreshold和edgeThreshold。nfeatures控制最多保留几个特征点，设为0表示全要，但输出结果会排序，优先保留响应值高的。contrastThreshold是滤波阈值，低于该值的弱响应点直接丢弃，图像对比度低时这个值要调低。edgeThreshold则对应前面提到的边缘剔除环节，越大保留的边缘点越多。实操经验是：默认contrastThreshold为0.04，但如果你的素材是低对比度的医学图像或夜间图像，降为0.02或0.01往往能多找到不少可用点。edgeThreshold默认10，如果发现特征点大量落在物体轮廓线上，想少留一点边缘点，可以降到5。

SURF的检测阈值是hessianThreshold，它直接决定Hessian响应要强到什么程度才能入选。hessianThreshold越低，特征点数量越多，但垃圾点也多；越高，特征点越少、越稳定。这里有个经验：在场景纹理较弱的车间监控等环境中，阈值200甚至100比较合理；在书本封面、建筑立面这种纹理丰富的图里，400到800效果不错。nOctaves控制金字塔层数，默认4，如果你处理的图像分辨率非常高（比如几千万像素的航拍图），可以增加层数来提升大尺度结构的召回。SURF还有个upright参数，置为True就放弃旋转不变性，换来速度和特征稳定性，适合那些相机姿态基本固定的场景。

ORB的参数稍微多一点，但你最需要关注的是nfeatures、scaleFactor和WTA_K。nfeatures设为多少取决于你的匹配任务，如果是全景拼接这种需要大量对应点的场景，建议3000起步，很多SLAM系统里反而限制在200到500，因为后续优化步骤对特征数量并不敏感，太多点会增加计算压力。scaleFactor是金字塔缩放因子，默认1.2，越接近1金字塔层数越多、尺度覆盖更细，但计算量也更大。WTA_K比较特殊，它决定描述子生成时每次取几个像素点做比较，默认2就是性价比最高的配置；改成3或4会降低描述子的方差，让匹配对噪声更敏感，一般不推荐。

3.2 代码示例：统一封装三套特征提取函数

import cv2 import numpy as np def extract_sift(img, max_keypoints=1000, contrast_threshold=0.04): sift = cv2.SIFT_create( nfeatures=max_keypoints, contrastThreshold=contrast_threshold, edgeThreshold=10, sigma=1.6 ) keypoints, descriptors = sift.detectAndCompute(img, None) return keypoints, descriptors def extract_surf(img, hessian_threshold=400, n_octaves=4): surf = cv2.xfeatures2d.SURF_create( hessianThreshold=hessian_threshold, nOctaves=n_octaves, nOctaveLayers=3, upright=False ) keypoints, descriptors = surf.detectAndCompute(img, None) return keypoints, descriptors def extract_orb(img, max_keypoints=1000, scale_factor=1.2): orb = cv2.ORB_create( nfeatures=max_keypoints, scaleFactor=scale_factor, nlevels=8, edgeThreshold=31, WTA_K=2, scoreType=cv2.ORB_HARRIS_SCORE, patchSize=31 ) keypoints, descriptors = orb.detectAndCompute(img, None) return keypoints, descriptors

有两个细节值得拿出来单独说。

第一，SIFT和SURF返回的描述子是float32类型的二维数组，ORB返回的是uint8类型的二进制数组。这个差异直接决定了后续匹配器的选择。如果你混用，比如用SIFT提取特征点、但用了为二进制描述子准备的汉明距离匹配器或者相关距离度量函数，轻则匹配效果全无，重则直接报错。

第二，ORB_create里的scoreType参数，默认是ORB_HARRIS_SCORE，即用Harris响应来排序特征点；如果改成FAST_SCORE，速度会更快，但特征点的稳定性会下降。我自己的做法是：如果总特征数少于nfeatures，说明FAST检测到的点不够用，这时保留默认的Harris评分能提高精挑细选的质量；如果特征数过剩、需要快速截断，再考虑FAST_SCORE。这种细节文档里通常不会写，但真正影响实际表现。

3.3 描者维度与内存占用，一个容易被忽视的对比维度

SIFT描述子128维float32占用512字节，SURF的64维float32描述子占用256字节（扩展成128维就变成512字节），ORB的256位二进制描述子固定占用32字节。对于一个大点的特征提取任务，比如一张图提取5000个特征点，SIFT光描述子就要占2.5MB，ORB只需要160KB。差距在单张图上不明显，但如果你做的是视频特征库，比如一万帧的视觉定位任务，差异就是几十GB和几GB的差距。这一点在做存储方案设计时非常关键，很多人等数据库膨胀了才后悔当初没选择低维描述子，那时候再改特征提取流程就会很痛苦。

匹配速度方面，浮点描述子要用欧氏距离逐一比对，还会涉及浮点乘加运算；二进制描述子用汉明距离，也就是异或之后统计比特位为1的个数，这在CPU上都有专门的指令加速。所以同样数量的特征点，ORB的匹配开销可能只有SIFT的十分之一。具体到项目里就是：如果你的最高优先级是帧率，ORB几乎是默认解。

4. 实测对比：同一组测试图上三个维度的直观表现

4.1 特征点数量、提取耗时与内存开销

做对比测试时我没有用网上随便下的图片，而是用了自己拍的几组素材：一组室内书架场景，一组室外建筑立面，一组带透视变化的文档翻拍图。图像统一缩放到1200x900左右，机器是台式机，底层CPU为i7-9700级别，没有GPU加速。这样给出的数据不能当实验室标准，但至少能反映相对水平。

实测下来，SIFT在室内书架图上的提取时间大概是220ms，特征点数量约1800个，SURF用了43ms，特征点数量约2400个，ORB只用了12ms，默认nfeatures设置为1000。速度差距符合理论预期：SIFT和ORB接近20倍差距，SURF处在中间。描述子内存占用我在上文已经算过，ORB的优势非常大。在室外建筑立面这种高纹理图片上，三者的特征点数量都会显著上升，但注意SURF在重复纹理区域容易产生大量响应点，后面匹配时需要用更严格的滤波手段来避免误匹配。

如果你要复现类似的基准测试，建议同时记录一次算法的冷启动时间（第一次调用时）和稳定运行时间，因为有些库在首次调用时要初始化对象，时间会明显偏高。拿这个数据去跟别人讨论，一定要说明环境，不然没有太大参考意义。

4.2 光照变化与视角变化下的匹配表现

我用同一场景的两次拍摄做匹配测试，第一次是上午正常光照，第二次是傍晚侧光并且视角偏转了约30度。匹配策略统一用FLANN，然后加RANSAC单应性矩阵过滤。

结果跟理论预测基本一致：SIFT在光照变化下保持了最高的正确匹配率，误匹配基本都能被RANSAC筛掉；SURF因为描述子比较简化，在纹理稀疏区域出现了几条明显的误匹配线；ORB的正确匹配率在这组数据里最差，但它有一个独特优势是匹配速度快，可以在后续的帧间运动估计中通过时间域信息来弥补单帧的精度问题。这里有个经验之谈：ORB不是不能用于弱纹理场景，而是你要同时调整特征点数量上限和金字塔层数，给它更多“找到结构”的机会。

有意思的是，我还做了个纯旋转变换的测试，把图像旋转90度再做匹配。SIFT和SURF几乎不受影响，ORB在检测阶段由于有方向分配，也能保持基本正向匹配，但匹配的对数明显比前两者少。这说明ORB的旋转鲁棒性是够用的，但余量没有SIFT大。如果项目里存在大幅度随机旋转（比如手机拍照方向不固定），ORB可能比预期的更容易丢匹配。

5. 按场景选型：到底该用SIFT、SURF还是ORB

5.1 全景拼接与三维重建：SIFT依然优先

全景拼接里最怕的是拼接缝错位和鬼影。SIFT的尺度和旋转鲁棒性让它在多图拼接中能提供非常稳定的对应点，而且RANSAC之后的单应性矩阵估计也相对更精确。我在做室内全景拼接的项目时，最早用的ORB方案，结果在纹理稀疏的白墙区域经常拼接失败，后来换成SIFT，问题立刻消失。

除了基础匹配，SIFT在三维重建流程里的优势还体现在长尺度关联上。比如你拍了一组环绕物体的序列图像，相邻帧匹配容易，但隔了十几帧的远距离关联才是重建闭环的关键。SIFT描述子的高区分度让远距离匹配也能找到足够的正确对应点，这一点ORB就明显逊色。代价就是慢，但离线重建本来就不要求实时，慢点能接受。如果你要做类似项目，我给的建议是保留SIFT作为重建主链路，但可以先用FAST或ORB来做视频帧的粗筛，减少SIFT在无关帧上的浪费。

5.2 实时SLAM与视觉里程计：ORB是绕不开的答案

ORB在实时系统里的地位不需要我多说，很多开源的SLAM系统都直接以ORB作为前端特征提取器。原因非常简单：它能跑在30帧甚至60帧的实时链路上，而且二进制描述子可以做快速汉明距离匹配，为后端的位姿优化留出大量余量。在我自己的视觉里程计项目里，ORB提取320x240分辨率的灰度图像时耗时只有1到2ms，如果处理720p图像，调低nfeaturse到500也能稳定跑在20ms以内，这对于要求10到20ms帧预算的系统来说是很好的选择。

用ORB做SLAM时有个小技巧：确保金字塔层数和scaleFactor的配置与你的实际运动速度匹配。如果相机移动速度很快，图像之间的尺度变化很大，就需要更大的scaleFactor和更多的层数；如果相机移动较慢，反而应该用较少的层数，避免提取到太多尺度噪声。曾经有个做AGV导航的朋友遇到跟踪丢失问题，排了半天硬件，最后发现只是scaleFactor设得太小，金字塔根本没有覆盖到近距离大尺度的物体变化。

5.3 嵌入式与移动端：考虑速度和精度的折中

移动端和嵌入式设备虽然也被归入实时场景，但它和SLAM有一点不同：SLAM有连续帧的强运动模型约束，可以容忍单帧特征质量略低；移动端很多是单张图的匹配或识别任务，特征质量就是整个系统的质量上限。所以我的建议是分情况：如果你做的是单帧识别或检索，SIFT是在算力可承受时的第一选择；如果芯片跑不动，再考虑SURF或者ORB+T265这种多传感器融合的方案。中间会有大量的折中权衡，但这本身就是工程应该做的取舍。

还有一个更宏观的考量：SIFT曾经有专利保护的问题，虽然现在专利期已过，但很多公司的合规团队依然会谨慎对待SURF和SIFT的商用。ORB因为是完全开放的开源实现，经常是商用方案里最让人放心的选择。这个因素虽然跟算法表现无关，但实际选型时可能比性能更加一票否决。

6. 常见问题与排查技巧实录

6.1 SIFT、SURF找不到模块：OpenCV版本和模块的坑

这恐怕是国内开发者最常见的入门坑。较早版本的OpenCV把SIFT和SURF放在扩展模块xfeatures2d里，需要安装opencv-contrib-python才能用。新版本则把SIFT挪到了主模块，直接cv2.SIFT_create()就能用；但SURF到现在依然在contrib模块，而且部分版本对专利问题的处理不同。我建议做法是：先确认你当前环境是哪个OpenCV版本，然后分别试一下cv2.SIFT_create和cv2.xfeatures2d.SIFT_create，哪个能用就用哪个。SURF同理。不要在一个版本下调试通过的代码，直接扔到另一个版本环境里跑，大概率会踩坑。

这个方法配合pip里的版本管理就非常稳妥。不过需要注意，新版OpenCV主模块里的SIFT和旧版contrib里的SIFT虽然API接近，但在某些内部实现上有细微差异，比如关键点响应值的计算方式略有不同，所以在跨版本移植时，如果有人反馈结果不一致，先别怀疑算法，检查一下版本。

6.2 特征点太少或者太密，怎么调整

特征点太少，最常见的原因是阈值设高了。SIFT的contrastThreshold、SURF的hessianThreshold、ORB的fastThreshold，分别对应各自的敏感度。如果你给的图本身对比度低，那就先把这些阈值降下来。搞不定的时候，还可以对输入图像做一次直方图均衡化或CLAHE预处理，增强局部对比度。这一步的效果经常比调参更明显。

特征点太密则要区分情况。如果密集点集中在某个高纹理区域，比如草地、树叶、密集文字，说明算法没有做好空间分布上的均匀采样。这时候单纯调低nfeatures不够，因为OpenCV默认会按响应值从高到低截断，高纹理区域往往响应值也高，结果还是挤在一起。我的做法是先将图像划分成网格，在每个网格内独立提取特征，然后按需合并，这样能保证全图特征分布的均匀性，也对接下来的匹配稳定性有明显帮助。这个技巧在很多拼接项目里非常实用。

6.3 匹配结果错乱，通常是尺度差异和描述子类型导致的

匹配完全乱了，需要检查三个方向。第一，两张图的尺度差异是否过大，比如一张是全景图、一张是特写，直接拿原始图提取特征，尺度空间覆盖不到就会出现大量误匹配。处理方法是保证两图分辨率差距在4倍以内，或者在提取时对较小图做上采样。第二，描述子类型是否匹配，SIFT的float32描述子不能用汉明距离匹配，ORB的二进制描述子也不应该用L2范数计算距离。很多初学者把matchType传错，导致所有点对的距离都差不多，排序失效。第三，特征点坐标是否有偏移，有些版本在多线程并行提取时返回关键点的坐标会有一点偏差，建议直接加一步单应性矩阵估计来剔除误匹配，不要裸眼盯着匹配线就下结论。

6.4 几条个人实战心得，越到后面越实用

先说一条提效的方法：在做特征提取前，尽量先去畸变、调整亮度、做一次适度锐化。特征算法虽然在设计上考虑了光照不变性，但在极端条件下（比如夜间高光和阴影交界处）依然会提取一堆不稳定的点。先做预处理，比事后加各种滤波都更省心。

然后是关于RANSAC的使用。很多开源代码里直接用findHomography或findFundamentalMat，但它们的默认迭代次数和阈值不一定适合你的数据。如果误匹配比例高，建议显式设置RANSAC的置信度参数和重投影误差阈值。SIFT匹配时阈值设在2到3个像素比较合适，ORB因为关键点定位精度低，阈值可以放宽到5个像素，否则正确匹配会被误杀太多。

还有一点是关于可视化调试。我强烈建议你在调试阶段把特征点的响应值按大小绘制出来，看看是不是集中在图像某一块区域。这种调试手段能帮你快速定位“算法没问题，是输入图像结构有问题”的情况，避免盲目调参浪费时间。另一个个人经验是：用ORB做实时匹配时，不要把上一帧的匹配结果直接当成这一帧的预测值，因为特征点的空间连续性在快速运动时会断裂，要给匹配器加一个以预测位置为中心的搜索半径，这样既提升速度也提升稳定性。

7. 一点回顾与个人体会

做了这么多年视觉项目，回头再看这三种特征描述符，其实它们更像是三个不同性格的同事：SIFT是那种踏实稳重的老工程师，活儿干得漂亮，但每个任务都要花很长时间；SURF是个效率达人，当年很惊艳，现在渐渐退居二线；ORB则是精力充沛的年轻人，响应速度快，但你需要花更多精力去引导它、约束它。

具体到我的项目习惯，离线质量优先的场景我会毫不犹豫用SIFT，实时系统会首选ORB，SURF则主要用于学术对照实验。如果你还在犹豫该学哪个，我建议你把SIFT的原理吃透，因为它是理解特征提取理论的基石，然后熟练掌握ORB的调参和工程优化，因为它是未来继续成长的基础。SURF作为过渡，了解核心思路即可。调参的路上没有捷径，多跑几次实验，多看看匹配的可视化结果，比任何阅读都有效。