ORB (Oriented Fast and rotated BRIEF) 是將FAST和BRIEF特徵描述的方式結合起來，並在他們的基礎上做改進跟優化。
ORB主要是為了拿來取代SIFT和SURF，因為前兩個都有申請專利，無法被免費使用。
首先，ORB會利用FAST來檢測keypoint，再將所搜尋除來的結果用Harris corner取出前N個最有可能是corner的keypoint。
為了能夠應對rotation的變化，ORB會對每個keypoint計算weighted centroid，也就是從keypoint到其他weighted centroid的方向。

優點：速度最快、ORB descriptor的表現比SURF來得更好

SIFT (scale-invariant feature transform)會針對每個選定的keypoint取周圍16x16個像素點，再切分為4x4的cell。接著，針對每個cell會再進行gradient magnitude和orientation的計算。
得到16組8 bin 的histograms後，可以再合併為16x8維的資料。最後對這些資料做L2-Normalizing，就可以得到代表那個keypoint的feature vector。

優點：對尺度具有不變性，即使改變角度、亮度、視角，都能夠得到很好的檢測效果
缺點：速度慢、產生的資料量大

FLANN(Fast Library for Approximate Nearest Neighbors)是先利用SIFT提取keypoints並且計算descriptors，接著FLANN利用KNN演算法進行feature matching。並且會使用ratio test來減少錯誤的feature matching。

優點：是目前最快的feature matching演算法，能夠減少計算複雜度以及時間，因此也適合應用在feature 較多的場景。