由于相机正面白摄物体时，相机的光轴方向可能发生变化，带来扭曲。而SIFT算法虽具有完全的尺度不变性，但不具有完全的仿射不变性，对拍摄角度发生大角度空间变化的图像特征提取有一定的局限性。ASift通过模拟经度与纬度实现完全的仿射不变，然后用SIFT算法把模拟图像进行比较，最后实现特征匹配。
ASIFT算法的具体步骤如下：
1.选取采样参数，模拟不同经度与纬度的图像。
2.计算模拟图像的特征。
3.结合所有的模拟图像的特征，进行特征匹配。
注意：ASIFT提供的一种框架，其核心思想是模拟不同的经度与纬度的图像，具体模拟图像的特征提取和匹配，可选择SIFT、SURF等特征。
ASIFT算法代码资源：
http://www.ipol.im/pub/art/2011/my-asift/
https://github.com/Itseez/opencv/blob/master/samples/python2/asift.py
OpenCV只提供python实现的asift，如果需要在C++中使用asift，主要有两种方法可参考。
1.利用作者提供的C++代码，具体使用方法可参考作者提供的文档。
2.将asift.py翻译成C++代码。
asift.py代码相对清晰，转换成基于OpenCV的C++代码比较容易，我主要参用方法2，实现ASIFT算法。
遇到的问题：
1.处理分辨率较大图片时，出现OpenCV Error: Insufficient memory的错误。
经分析，计算过程需要保存多张模拟图片的特征点和特征描述子，需要大量内存，导致OpenCV分配内存时，没有连续可用的内存块，从而出现OpenCV Error: Insufficient memory的错误。
解决方法：降低待处理图片的分辨率，并计算高分辨率到低分辨率转换的单应性矩阵scaleH。利用ASift算法计算低分辨率图片的匹配的单应性矩阵matchH。最终待处理图片的单应矩阵H=matchH*scaleH。
2.计算复杂度问题。
由于需要处理多幅模拟图片的特征点检测，计算复杂度高。目前，主要有两种思路：1).降低分辨率，减少计算量。2).利用硬件特性进行硬件计算。
ASift作者在文中提到的Two-Resolution Procedure.
(1).采用系数K*K二次采样查询图片u和待搜索图片v。u = SkGku，v=SkGkv，Gk是反走样高斯离散滤波器，SK为K*K二次采样。
(2).低分辨率下的ASIFT算法：对查询图片u和搜索图片应用ASIFT算法；
(3).确定u和v中可能产最多匹配对的M种仿射变换；
(4).高分辨率下的ASIFT算法：在原始图像u和v上使用ASIFT算法，但模拟倾科时只使用这M种仿射变换。
经实验测试，发现Two-Resolution Procedure虽然可以在一定降低复杂度，但其对匹配精度会有一定的影响，对于匹配精度要求高的应用不太合适。
Asift.py中，利用线程池加速多幅图像的特征点检测，使得多幅图像的特征点检测同时进行。
结合多线程的思想，我利用每个线程，计算每幅图像的特征点的检测，结果遇到内存不足的问题。
主要原因：特征点检测过程需要内存空间存储部分中间结果，当多线程同时计算时，所需内存增大，出现内存不足的问题。
解决方法：可以根据待处理图片的分辨率大小和系统提供内存资源的多少，自适应确定多线程的数目。
利用GPU加速ASIFT计算，具体步骤如下：
(1).将待处理图片传输到GPU端。
(2).将待处理图片模拟变换，得到模拟图片，AffineImage_Kernel。
(3).计算模拟图片的特征点，KeyPointsDetect_Kernel。
(4).将计算所得的特征点数据传输到CPU端。
(5).循环处理(2)、(3)、(4)步骤，直到所有模拟变换处理完。
(6).在CPU端完成特征点匹配计算。
注意：(4)与(5)可以异步执行，重叠计算与特征点数据传输的时间。
基于GPU特征点计算主要参考：
SiftGPU: http://cs.unc.edu/~ccwu/siftgpu/
CudaSift: https://github.com/Celebrandil/CudaSift
注意:经测试，发现SiftGPU和CudaSift检测出的特征点数目与OpenCV的SiftFeatureDetector检测出特征点数目差异较大。