在我改進的RobHess原始碼中，拼接的順序大致如下：
1.讀取圖片，使用opencv的undistort函式來對攝像機拍攝的圖片進行畸變矯正。
2.為每幅圖想呼叫sift_features函式，檢測特徵點。
3.用第i幅圖的特徵點建立kd樹，用第i+1幅圖的特徵點在建立好的kd樹進行搜尋，初步篩選出第一批特徵點。
4.在之前篩選出的特徵點的基礎上，用RANSAC演算法進行二次篩選，並計算得出每幅圖片的轉移矩陣。
5.從轉移矩陣中獲取水平方向和垂直方向的位移，進行影象拼接。

下面分條說明幾個重要步驟的過程：

sift特徵點監測

sift演算法具有尺度、旋轉和平移的不變性，也就是說如果我們對一幅圖片進行縮放、旋轉或者平移等的變換，然後呼叫sift演算法對它進行檢測，在變換前後的圖片中，sift能檢測出相同的特徵點。
在具體演算法中，高斯差分金字塔(DOG)可以使得演算法具有尺度不變性和平移不變性，通過求關鍵點的梯度和方向直方圖，可以使得演算法具有旋轉不變性。
最後，sift會把求出來的特徵點以及特徵點附近的點的資訊用一個高維向量來表示。

kd樹

假設資料是三維的，那麼kd樹就是按照某種建樹的規則，把空間劃分成不同的區域，把資料儲存在這些區域中。

例子
6個二維資料點{(2,3)，(5,4)，(9,6)，(4,7)，(8,1)，(7,2)}構建kd樹的具體步驟為：

確定：split域=x。具體是：6個數據點在x，y維度上的資料方差分別為39，28.63，所以在x軸上方差更大，故split域值為x；
確定：Node-data = （7,2）。具體是：根據x維上的值將資料排序，6個數據的中值(所謂中值，即中間大小的值)為7，所以Node-data域位資料點（7,2）。這樣，該節點的分割超平面就是通過（7,2）並垂直於：split=x軸的直線x=7；
確定：左子空間和右子空間。具體是：分割超平面x=7將整個空間分為兩部分：x<=7的部分為左子空間，包含3個節點={(2,3),(5,4),(4,7)}；另一部分為右子空間，包含2個節點={(9,6)，(8,1)}；

kd樹的查詢比較複雜，因為兩個很近的點可能很早就被不同維度給切開來了，所以需要回溯，這裡不展開了。
在過程3中，我們用第i+1幅圖的特徵點在第i幅圖建立的kd樹中進行檢索，找到第i幅圖中距離最近的兩個特徵點，如果這兩個特徵點的比值小於我們設定的閾值，則認為距離最近的特徵點就是第i+1幅圖中特徵點對應的點(初步篩選)。
參考頁面

RANSAC演算法

RANSAC演算法的中文翻譯叫做隨機抽樣一致性演算法，引用網路上對這個演算法的解釋：
RANSAC演算法的輸入是一組觀測資料，一個可以解釋或者適應於觀測資料的引數化模型，一些可信的引數。
RANSAC通過反覆選擇資料中的一組隨機子集來達成目標。被選取的子集被假設為局內點，並用下述方法進行驗證：

1.有一個模型適應於假設的局內點，即所有的未知引數都能從假設的局內點計算得出。
2.用1中得到的模型去測試所有的其它資料，如果某個點適用於估計的模型，認為它也是局內點。
3.如果有足夠多的點被歸類為假設的局內點，那麼估計的模型就足夠合理。
4.然後，用所有假設的局內點去重新估計模型，因為它僅僅被初始的假設局內點估計過。
5.最後，通過估計局內點與模型的錯誤率來評估模型。

這個過程被重複執行固定的次數，每次產生的模型要麼因為局內點太少而被捨棄，要麼因為比現有的模型更好而被選用。

在過程4中，我們先在過程3篩選的特徵點中隨機選取4個匹配點對(8個點)，計算變換矩陣H；然後對第i幅圖的所有特徵點用H去進行變換，再去檢查變換結果中符合誤差範圍的點個個數是否大於閾值(其實就是用隨機選取的匹配點的變換矩陣與第i幅圖相乘，如果變換之後的圖的大部分特徵點的位置與第i+1幅圖的特徵點的位置相差不大，則認為檢驗通過了)；如果大於閾值，則成功，如果小於閾值，則重複這個迴圈。

變換矩陣

全比例係數為1，4對點，8個方程，正好解出8個未知數。
這裡我們我需要l和m。