由於相機正面白攝物體時，相機的光軸方向可能發生變化，帶來扭曲。而SIFT演算法雖具有完全的尺度不變性，但不具有完全的仿射不變性，對拍攝角度發生大角度空間變化的影象特徵提取有一定的侷限性。ASift通過模擬經度與緯度實現完全的仿射不變，然後用SIFT演算法把模擬影象進行比較，最後實現特徵匹配。
ASIFT演算法的具體步驟如下：
1.選取取樣引數，模擬不同經度與緯度的影象。
2.計算模擬影象的特徵。
3.結合所有的模擬影象的特徵，進行特徵匹配。
注意：ASIFT提供的一種框架，其核心思想是模擬不同的經度與緯度的影象，具體模擬影象的特徵提取和匹配，可選擇SIFT、SURF等特徵。
ASIFT演算法程式碼資源：
http://www.ipol.im/pub/art/2011/my-asift/
https://github.com/Itseez/opencv/blob/master/samples/python2/asift.py
OpenCV只提供python實現的asift，如果需要在C++中使用asift，主要有兩種方法可參考。
1.利用作者提供的C++程式碼，具體使用方法可參考作者提供的文件。
2.將asift.py翻譯成C++程式碼。
asift.py程式碼相對清晰，轉換成基於OpenCV的C++程式碼比較容易，我主要參用方法2，實現ASIFT演算法。
遇到的問題：
1.處理解析度較大圖片時，出現OpenCV Error: Insufficient memory的錯誤。
經分析，計算過程需要儲存多張模擬圖片的特徵點和特徵描述子，需要大量記憶體，導致OpenCV分配記憶體時，沒有連續可用的記憶體塊，從而出現OpenCV Error: Insufficient memory的錯誤。
解決方法：降低待處理圖片的解析度，並計算高解析度到低解析度轉換的單應性矩陣scaleH。利用ASift演算法計算低解析度圖片的匹配的單應性矩陣matchH。最終待處理圖片的單應矩陣H=matchH*scaleH。
2.計算複雜度問題。
由於需要處理多幅模擬圖片的特徵點檢測，計算複雜度高。目前，主要有兩種思路：1).降低解析度，減少計算量。2).利用硬體特性進行硬體計算。
ASift作者在文中提到的Two-Resolution Procedure.
(1).採用係數K*K二次取樣查詢圖片u和待搜尋圖片v。u = SkGku，v=SkGkv，Gk是反走樣高斯離散濾波器，SK為K*K二次取樣。
(2).低解析度下的ASIFT演算法：對查詢圖片u和搜尋圖片應用ASIFT演算法；
(3).確定u和v中可能產最多匹配對的M種仿射變換；
(4).高解析度下的ASIFT演算法：在原始影象u和v上使用ASIFT演算法，但模擬傾科時只使用這M種仿射變換。
經實驗測試，發現Two-Resolution Procedure雖然可以在一定降低複雜度，但其對匹配精度會有一定的影響，對於匹配精度要求高的應用不太合適。
Asift.py中，利用執行緒池加速多幅影象的特徵點檢測，使得多幅影象的特徵點檢測同時進行。
結合多執行緒的思想，我利用每個執行緒，計算每幅影象的特徵點的檢測，結果遇到記憶體不足的問題。
主要原因：特徵點檢測過程需要記憶體空間儲存部分中間結果，當多執行緒同時計算時，所需記憶體增大，出現記憶體不足的問題。
解決方法：可以根據待處理圖片的解析度大小和系統提供記憶體資源的多少，自適應確定多執行緒的數目。
利用GPU加速ASIFT計算，具體步驟如下：
(1).將待處理圖片傳輸到GPU端。
(2).將待處理圖片模擬變換，得到模擬圖片，AffineImage_Kernel。
(3).計算模擬圖片的特徵點，KeyPointsDetect_Kernel。
(4).將計算所得的特徵點資料傳輸到CPU端。
(5).迴圈處理(2)、(3)、(4)步驟，直到所有模擬變換處理完。
(6).在CPU端完成特徵點匹配計算。
注意：(4)與(5)可以非同步執行，重疊計算與特徵點資料傳輸的時間。
基於GPU特徵點計算主要參考：
SiftGPU: http://cs.unc.edu/~ccwu/siftgpu/
CudaSift: https://github.com/Celebrandil/CudaSift
注意:經測試，發現SiftGPU和CudaSift檢測出的特徵點數目與OpenCV的SiftFeatureDetector檢測出特徵點數目差異較大。