由步驟一我們已經獲得了圖片的特徵點向量集合。現在來看看特徵點匹配，特徵點匹配的一個應用就是物體的識別，比如說我有2張圖片A和B，圖片的內容相同，只是圖片的大小尺寸不同。假設A圖片尺寸比較大，且我們已經採用sift演算法對圖片A和B都進行了檢測，獲得了它們的特徵點集合，現在我們的問題是需要把A和B中相應的特徵點給對應連線起來。

　　既然是匹配，當然每個特徵點向量要相似才能匹配到一起，這裡採用的是歐式距離來衡量其相似度。

　　對B中的特徵點x，去尋找A中最相似的點y，最簡單的方法就是拿x與A中所有點進行相似度比較，距離最小的那個為匹配點。但是如果圖片中特徵點數目很多的話，這樣效率會很低。所以我們需要把A中特徵點向量集合用一種資料結構來描述，這種描述要有利於x在A中的搜尋，即減少時間複雜度。在sift匹配中，這種資料結構採用的是kd-tree。

　　裡面講得比較詳細，且舉了例子，很容易理解，這裡就沒有必要重複了。

     同樣，採用Rob Hess的程式碼做了個sift匹配的實驗，開發環境與上面的一樣。

     開啟軟體後，單擊Open Image按鈕，依次開啟需要匹配的2張圖片，如下圖所示：

單擊Sift Detect按鈕，則程式會單獨對這2幅圖片進行sift特徵點檢測，結果如下圖所示：

單擊Sift Match按鈕，則會對這2幅圖的特徵點結果進行匹配，本次實驗的匹配圖如下所示：