Python作為一種優秀的編程語言，被廣泛使用于計算機視覺領域。其中，特征點識別是一項很重要的任務，其目的是在圖像中檢測出具有一定特征的點，并能夠在不同的圖像中進行匹配。

Python中提供了許多特征點識別的庫，如OpenCV、Scikit-Image等。其中，OpenCV是應用最廣泛的圖像處理庫之一，其中包含了SIFT、SURF、ORB等經典的特征點檢測算法。

import cv2
# 加載圖像
img = cv2.imread('test.jpg')
# 初始化SIFT和SURF對象
sift = cv2.xfeatures2d.SIFT_create()
surf = cv2.xfeatures2d.SURF_create(400)
# 檢測特征點并計算描述符
kp_sift, des_sift = sift.detectAndCompute(img, None)
kp_surf, des_surf = surf.detectAndCompute(img, None)

以上代碼演示了如何使用Python中OpenCV庫中的SIFT和SURF算法，檢測出圖像中的特征點并計算其描述符。其中，sift.detectAndCompute()和surf.detectAndCompute()方法分別用于檢測特征點和計算描述符，返回值為關鍵點列表和描述符矩陣。

特征點匹配是特征點識別的核心任務。Python中的OpenCV庫提供了許多特征點匹配的方法，如Brute-Force、Flann等。

# 初始化BFMatcher對象
bf = cv2.BFMatcher()
# 使用KNN進行特征點匹配
matches_knn = bf.knnMatch(des_sift, des_surf, k=2)
# 使用比率測試剔除誤匹配點
good = []
for m, n in matches_knn:
if m.distance< 0.75 * n.distance:
good.append([m])
# 可視化匹配結果
img_match = cv2.drawMatchesKnn(img, kp_sift, img, kp_surf, good, None, flags=2)
cv2.imshow('matches', img_match)
cv2.waitKey(0)

以上代碼演示了如何使用Python中OpenCV庫中的Brute-Force算法進行特征點匹配，并使用比率測試剔除誤匹配點。其中，bf.knnMatch()方法返回的是K個最佳匹配結果，使用比率測試將誤匹配點去除。

總之，Python提供了豐富的特征點識別和匹配庫，在實際應用中有著廣泛的應用。