[update]edit readme

.gitignore

@@ -1,3 +1,4 @@
+
 .idea/
 .git/
 

README.md

@@ -9,4 +9,74 @@ size_categories:
 ## WeChat 或 QQ 图标检测.
 
 任务: 从图像中检测出 WeChat 或 QQ 图标的位置.
+
 方法: 基于 OpenCV 库, 通过 SIFT 或 SURF 图像特征作检测. 
+
+```text
+由于 SURF 和 SIFT 算法有专利限制, 
+其安装环境是: 
+python==3.6.5
+opencv-contrib-python==3.4.2.16
+
+由于 huggingface 的 space 中的 python 为 3.10 版本, 已无法安装此 opencv 库. 
+
+你也可以在这里找到相关代码, 但这个库已经不再维护了. 
+
+https://github.com/tianxing1994/OpenCV/
+dir: 练习实例 -> SIFT_SURF 图像特征作目标检测(在图片中检测出 QQ 图标的位置)
+
+因此将实现方法记录如下: 
+
+```
+
+实现步骤:
+
+(1)采用 opencv 库的 SIFT 或 SURF 图像特征 `cv.xfeatures2d.SIFT_create()` 对目标区域生成特征点向量.
+
+(2)为减少特征点数量, 对所有的特征点向量做聚类, 将聚类中心作为特征点, 得到 `template_descriptors`.
+
+(3)计算目标图像中的所有 SIFT 或 SURF 图像特征点. 得到 `scene_descriptors`.
+
+(4) 采用 `flann.knnMatch` 方法进行特征点匹配, (如果最近匹配距离比第二匹配距离的 0.7 倍还要小, 则认为这个点是 `good_match`, 即认为好的特征点具有独特征, 不会有其它更相似的点).
+
+(5)最小要有3个 `good_match` 才认为图标匹配成功.
+
+(6)最后根据 `good_match` 点的分布计算图标的中心, 我的做法是计算点集中心和平均距离, 将大于平均距离的点丢弃, 重复此过程, 直到半径小于阈值.
+
+
+涉及到的方法有:
+```python
+import cv2 as cv
+
+sift = cv.xfeatures2d.SIFT_create()
+
+index_params = dict(algorithm=0, trees=5)
+search_params = dict(checks=50)
+flann = cv.FlannBasedMatcher(index_params, search_params)
+
+keypoints, descriptors = sift.detectAndCompute(image, None)
+
+matches = flann.knnMatch(
+    queryDescriptors=template_descriptors,
+    trainDescriptors=scene_descriptors,
+    k=2
+)
+
+good_matches = []
+for m, n in matches:
+    if m.distance < 0.7 * n.distance:
+        good_matches.append(m)
+
+k = 3
+if len(good_matches) > k:
+    print(good_matches)
+else:
+    print("Not enough matches are found - %d/%d" % (len(good_matches), k))
+
+
+```
+
+参考链接:
+```text
+https://docs.opencv.org/3.0-beta/index.html
+```