适用于匹配多角度的物体，需要现场提取之后才能使用

http://docs.openmv.io/library/omv.image.html 

 http://docs.openmv.io/library/omv.image.html#class-kptmatch-keypoint-object

视频学习链接

代码：

# 利用特征点检测特定物体例程。
# 向相机显示一个对象，然后运行该脚本。 一组关键点将被提取一次，然后
# 在以下帧中进行跟踪。 如果您想要一组新的关键点，请重新运行该脚本。
# 注意：请参阅文档以调整find_keypoints和match_keypoints。

from pyb import Pin#从pyb中加载Pin
import sensor, time, image, utime, lcd
KEY = Pin('P9',Pin.IN,Pin.PULL_UP)#创建一个对象KEY，P9
flag = 0#flag赋值为0
i = 0#i赋值为0
# Reset sensor
sensor.reset()

# Sensor settings
#设置对比度为3
sensor.set_contrast(3)
#设置增益上限为16
sensor.set_gainceiling(16)
#将分辨率的大小设置为VGA也就是640*480的大小
sensor.set_framesize(sensor.VGA)
#设置窗口大小为320*240
sensor.set_windowing((320, 240))
#设置为灰度图模式
sensor.set_pixformat(sensor.GRAYSCALE)
#设置稳定时间为2S
sensor.skip_frames(time = 2000)
#设置自动增益为关闭
sensor.set_auto_gain(False, value=100)
lcd.init()                          # LCD初始化
#画出特征点
def draw_keypoints(img, kpts):
    if kpts:
        print(kpts)
        img.draw_keypoints(kpts)
        img = sensor.snapshot()
        lcd.display(img)                # LCD显示img
        utime.sleep_ms(1000)
kpts1 = None
#kpts1保存目标物体的特征，可以从文件导入特征，但是不建议这么做。
#kpts1 = image.load_descriptor("/desc.orb")
#img = sensor.snapshot()
#draw_keypoints(img, kpts1)

clock = time.clock()

while (True):
    if((KEY.value() == 0)and(flag == 1)):#如果按键按下并且flag等于1
        flag = 0#flag赋值为0
        i = i+1#i+1
        i = i%2#i%2
        print(i)
    if((KEY.value() == 1)and(flag == 0)):#如果按键没有按下并且flag赋值为0
        flag = 1#flag赋值为1
    clock.tick()
    img = sensor.snapshot()
    if(i == 1):#如果i等于1
        if (kpts1 == None):
            #如果是刚开始运行程序，提取最开始的图像作为目标物体特征，kpts1保存目标物体的特征
            #默认会匹配目标特征的多种比例大小，而不仅仅是保存目标特征时的大小，比模版匹配灵活。
            # NOTE: By default find_keypoints returns multi-scale keypoints extracted from an image pyramid.
            kpts1 = img.find_keypoints(max_keypoints=150, threshold=10, scale_factor=1.2)
            #image.find_keypoints(roi=Auto, threshold=20, normalized=False, scale_factor=1.5, max_keypoints=100, corner_detector=CORNER_AGAST)
            #roi表示识别的区域，是一个元组（x,y,w,h）,默认与framsesize大小一致。
            #threshold是0~255的一个阈值，用来控制特征点检测的角点数量。用默认的AGAST特征点检测，这个阈值大概是20。用FAST特征点检测，这个阈值大概是60～80。阈值越低，获得的角点越多。
            #normalized是一个布尔数值，默认是False，可以匹配目标特征的多种大小（比ncc模版匹配效果灵活）。如果设置为True，关闭特征点检测的多比例结果，仅匹配目标特征的一种大小（类似于模版匹配），但是运算速度会更快一些。
            #scale_factor是一个大于1.0的浮点数。这个数值越高，检测速度越快，但是匹配准确率会下降。一般在1.35~1.5左右最佳。
            #max_keypoints是一个物体可提取的特征点的最大数量。如果一个物体的特征点太多导致RAM内存爆掉，减小这个数值。
            #corner_detector是特征点检测采取的算法，默认是AGAST算法。FAST算法会更快但是准确率会下降。
            draw_keypoints(img, kpts1)
            #画出此时的目标特征
        else:
            #当与最开始的目标特征进行匹配时，默认设置normalized=True，只匹配目标特征的一种大小。
            # NOTE: When extracting keypoints to match the first descriptor, we use normalized=True to extract
            # keypoints from the first scale only, which will match one of the scales in the first descriptor.
            kpts2 = img.find_keypoints(max_keypoints=150, threshold=10, normalized=True)
            #如果检测到特征物体
            if (kpts2):
                #匹配当前找到的特征和最初的目标特征的相似度
                match = image.match_descriptor(kpts1, kpts2, threshold=85)
                #image.match_descriptor(descritor0, descriptor1, threshold=70, filter_outliers=False)。本函数返回kptmatch对象。
                #threshold阈值设置匹配的准确度，用来过滤掉有歧义的匹配。这个值越小，准确度越高。阈值范围0～100，默认70
                #filter_outliers默认关闭。

                #match.count()是kpt1和kpt2的匹配的近似特征点数目。
                #如果大于10，证明两个特征相似，匹配成功。
                if (match.count()>10):
                    # If we have at least n "good matches"
                    # Draw bounding rectangle and cross.
                    #在匹配到的目标特征中心画十字和矩形框。
                    img.draw_rectangle(match.rect())
                    img.draw_cross(match.cx(), match.cy(), size=10)

                #match.theta()是匹配到的特征物体相对目标物体的旋转角度。
                print(kpts2, "matched:%d dt:%d"%(match.count(), match.theta()))
                #不建议draw_keypoints画出特征角点。
                # NOTE: uncomment if you want to draw the keypoints
                #img.draw_keypoints(kpts2, size=KEYPOINTS_SIZE, matched=True)

    # Draw FPS
    #打印帧率。
    else:
        kpts1 = None
    img.draw_string(0, 0, "FPS:%.2f"%(clock.fps()))
    lcd.display(img)                # LCD显示img

效果：按下按键的时候开始提取特征点，按下二次特征点清除