特征匹配¶
特征匹配是 mower 中最方便的识别方法。在截图中匹配目标图像时，首先提取截图与目标图像的特征点，然后找出匹配的特征点对，利用匹配结果在截图中定位目标图像。
特征与特征点¶
arknights_mower.utils.matcher 中提供 keypoints() 与 keypoints_scale_invariant() 函数，可用于提取特征点。接受的参数为需要提取特征点的灰度图像。返回值为特征点元组与描述子矩阵构成的元组。
keypoints_scale_invariant() 提取的特征点与描述子具有尺度不变性，可用于匹配尺度不确定或发生变化的图像，但速度相较 keypoints() 更慢。
拐角、复杂的图案与纹理（包括文字）处可以提取到较多的特征点；在空白处很难提取到特征点。
使用示例
特征点的匹配¶
arknights_mower.utils.matcher 中的 flann 可用于匹配特征点。
对于目标图像中的每个特征点 \(A\)，使用 flann.knnMatch(k=2) 找出截图中与之距离最近的和第二近的两个特征点 \(B_1\)、\(B_2\). 如果 \(A\) 与 \(B_1\) 的距离 \(\text{d}(A, B_1)\) 和 \(A\) 与 \(B_2\) 的距离 \(\text{d}(A, B_2)\) 的比值 \(\frac{\text{d}(A, B_1)}{\text{d}(A, B_2)} <\) GOOD_DISTANCE_LIMIT，就认为 \(A\) 与 \(B_1\) 是一对“好”的匹配。
下面的例子展示了如何利用特征匹配在终端页面定位活动入口。其中 res 图像来自明日方舟网站，尺寸与游戏内截图未必一致，因此对于 res 使用 keypoints_scale_invariant() 提取特征点。对于截图，使用 keypoints() 提取特征点，仍然可以得到很好的匹配结果。
使用示例
利用特征匹配定位目标图像¶
arknights_mower.utils.matcher 中的 Matcher 类可用于定位目标图片。
实例化 Matcher 类时，需传入灰度图像 origin。实例化过程中计算 origin 图像的特征点。
Matcher 类的实例方法 match() 接受 6 个参数，其中 query 必选：
query：灰度目标图像；draw：控制是否绘制并显示匹配过程；scope：origin在此区域内的特征点参与匹配；dpi_aware：匹配尺寸不确定，或尺寸有变化的目标图像时，将此选项设置为True。默认为False。prescore：SSIM 分数阈值。如果此参数为正值，则根据 SSIM 分数直接决定是否接受匹配结果。judge：在prescore为 0 时生效。如果为True，使用支持向量机判断是否接受匹配结果，否则直接接受匹配结果。
如果匹配成功，match() 返回目标图片在截图中匹配到的区域；否则返回 None。
使用示例
利用特征匹配求解单应性矩阵¶
游戏首页的界面随重力改变角度，为识别界面上的数字，可使用特征匹配求解单应性矩阵，将界面内容变换至平面，再进行进一步的识别。
注意事项¶
性能¶
从截图提取特征点一般会花费数十毫秒，一次 FLANN 匹配也可能花费几毫秒到几十毫秒。大量使用特征匹配会导致脚本很慢。但是，对于不限制区域的匹配，特征匹配往往比在整个截图上进行模板匹配更快。
使用示例
目标图像截取¶
目标图像应尽量满足特征点数量多、尺寸小、与其它目标图像有较大区别。例如对于按钮，只截取按钮中独特的图案，或在文字中截取 3-5 字的关键词，相比截取整个按钮，往往能得到更好的效果。
随机性¶
FLANN 和 RANSAC 算法具有一定的随机性。若结果变化较大，可考虑重新截取目标图像，或换用其它匹配方式。
多目标¶
当目标图像在截图中多次出现时，目标图像的特征点与截图对应特征点的若干对匹配距离相近。在应用比例测试筛选特征点时，这些匹配都会被过滤掉，导致目标图像多次出现时无法匹配到结果。
如果要处理目标多次出现的情况，如果能够预知出现的范围，可以指定 scope 参数进行限制。
使用示例