在特征匹配算法中，常用的光流估计方法有以下几种：

  1. Lucas-Kanade（LK）光流法：这是最早提出的光流估计算法之一，其基本思想是将图像上的图案看作是随时间变化的一种2D速度场。LK光流法假设光流在局部区域内是基本恒定的，并通过最小二乘法求解速度场。

  2. Horn-Schunck（HS）光流法：该方法假设图像场景的亮度是恒定变化的，即亮度恒定约束。HS光流法通过求解一个全局稠密光流方程来得到光流场。

  3. 线性最小二乘（LMS）光流法：该方法也是基于亮度恒定约束的基础上，将光流估计问题转化为一个线性最小二乘问题，并通过求解最小化误差的线性系统来得到光流场。

  4. 金字塔光流法：由于光流估计对于大的位移不太稳定，所以使用金字塔光流法可以通过对图像进行分辨率降低来获得更稳定的光流估计。具体操作包括通过高斯金字塔对图像进行模糊，并对每一层的图像进行光流估计，然后再将光流估计结果向上采样。

  5. 基于相关性的光流法：该方法通过计算两帧图像的互相关系数来确定光流。该方法可以有效应对图像中的纹理缺失和噪声干扰。

  6. 光流张量法：光流张量法基于张量理论，将光流估计问题转化为张量约束优化问题。该方法可以处理多个运动目标同时出现和背景复杂的情况。

  以上是常用的光流估计方法，每个方法的适用场景和性能有所不同。根据具体的应用场景和需求选择合适的光流估计方法可以获得较好的匹配效果。