《OpenCV3计算机视觉》 ──   Python语言实现（原书第2版）

cv2.ml.svm---------------------支持向量机
cv2.ml.knn---------------------K.近邻
cv2.ml.bayesian----------------正态贝叶斯分类器
cv2.ml.em----------------------期望最大化
cv2.ml.boost.tree--------------boost分类器
cv2.ml.tree--------------------决策树分类器
cv2.ml.ann.mlp-----------------感知器神经网络分类器
cv2.ml.cnn---------------------卷积神经网络
cv2.ml.random.trees-----------------随机树分类器
cv2.ml.extremely.randomized.trees---随机森林分类器
cv2.ml.gradient.boosting.trees------梯度boost分类器

FLANN是快速最近邻搜索包（Fast_Library_for_Approximate_Nearest_Neighbors）的简称。它是一个对大数据集和高维特征进行最近邻搜索的算法的集合，而且这些算法都已经被优化过了。在面对大数据集是它的效果要好于BFMatcher。

SURF算法采用快速Hessian算法检测关键点，而SURF算子会通过一个特征向量来描述关键点周围区域的情况。这和SIFT算法很像，SIFT算法分别采用DoG和SIFT算子来检测关键点和提取关键点的描述符。
SURF特征检测的步骤：
1.尺度空间的极值检测：搜索所有尺度空间上的图像，通过Hessian来识别潜在的对尺度和选择不变的兴趣点。
2.特征点过滤并进行精确定位。
3.特征方向赋值：统计特征点圆形邻域内的Harr小波特征。即在60度扇形内，每次将60度扇形区域旋转0.2弧度进行统计，将值最大的那个扇形的方向作为该特征点的主方向。
4.特征点描述：沿着特征点主方向周围的邻域内，取4×4个矩形小区域，统计每个小区域的Haar特征，然后每个区域得到一个4维的特征向量。一个特征点共有64维的特征向量作为SURF特征的描述子。

尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。