OpenCV.js 中如何进行特征检测和匹配？

OpenCV.js 中特征检测首选 ORB，因为它是免费的且速度快，通过 new cv.ORB() 创建检测器，调用 detectAndCompute() 同时提取关键点和描述子。特征匹配使用 cv.BFMatcher 配合 cv.NORM_HAMMING 距离（ORB 描述子是二进制的）。注意 SIFT 在 OpenCV.js 中支持有限，需确认编译时是否启用。匹配完成后用 cv.drawMatches() 可视化结果。对于形状检测，cv.findContours() 做轮廓提取，cv.HoughLinesP() 和 cv.HoughCircles() 分别做直线和圆检测。

追问

为什么 OpenCV.js 推荐 ORB 而不是 SIFT？ ORB 不受专利限制，计算速度比 SIFT 快一个数量级，且描述子是二进制的，匹配用汉明距离更快。SIFT 在 JS 端性能开销大，且部分 OpenCV.js 构建不包含 SIFT 模块。

BFMatcher 的 crossCheck 参数有什么作用？ crossCheck 为 true 时只保留双向匹配一致的对（A匹配B且B也匹配A），能有效过滤误匹配，代价是匹配点数量减少。

FLANN 匹配器在 OpenCV.js 中可用吗？ cv.FlannBasedMatcher 在部分版本可用，但因其依赖 FLANN 库的完整构建，部分精简版 OpenCV.js 不包含。实际项目中 BFMatcher 更稳妥。

如何筛选优质匹配点？ 对 knnMatch 返回的 k=2 邻近结果计算距离比值（Lowe's ratio test），若最近邻距离 / 次近邻距离 < 0.7 则保留，这是滤除误匹配的标准做法。

轮廓检测前为什么要先做二值化？ cv.findContours() 要求输入为 8 位单通道二值图像，非零像素被视为前景。不二值化则轮廓提取结果不可预测，通常先灰度化再 threshold 或 Canny。

写段代码

javascript
let orb = new cv.ORB(), kp = new cv.KeyPointVector();
let desc = new cv.Mat();
orb.detectAndCompute(gray, new cv.Mat(), kp, desc);
let matcher = new cv.BFMatcher(cv.NORM_HAMMING, true);
let matches = new cv.DMatchVector();
matcher.match(desc1, desc2, matches);
kp.delete(); desc.delete(); matches.delete();