本文介绍了SIFT算法的匹配过程，包括粗匹配中的最近邻kNN匹配、暴力/双向匹配，以及精匹配点集提纯算法RANSAC和VFC。通过这些策略，可以有效地筛选正确匹配点对，降低错误匹配的影响。
简述
说实话，SIFT算法系列博客已经过去很久了，SIFT算法也是读研期间研究最多的局部特征匹配框架。之前写过SIFT算法系列框架的理解，相关博客链接如下：
时间很快，距离我写SIFT算法系列已经过去一年多了，最近想把SIFT算法最后一部分匹配方式写完。算是对该系列算法的一个总结与结束吧，深度学习的今天很少关注传统算法，局部特征在04年后将近被学术界追了10年。今天已经很少在有研究的了，之所以这么久没有更新，主要是我也投入到深度学习的学习中，这篇SIFT算法之匹配算作最后一篇局部特征的个人总结。好了，废话不多说，下面介绍一下SIFT算法框架所用的相关匹配算法，是如何根据描述符来进行点集匹配的。
相关匹配算法
粗匹配
粗匹配其实就是在两个未知的点集A与B，通过某一种规则来建立起来的联系进行匹配。局部特征通常采取的就是对每个特征点建立描述符，通过每个点的描述符与待匹配的点描述符计算欧式距离来判别。欧式距离就是一个判别准则，描述符就是提供的信息。至于粗匹配叫法：一是可以看出经过欧式距离匹配之后，还会存在大量的错误匹配点对，二是后面还会根据其它的规则进一步筛选，它是第一步所以有了粗匹配的名称。下面贴出经典的SIFT算法第一步匹配结果图如下：可以看出存在些许错误匹配点对。
最近邻kNN匹配
说到最近邻匹配，其实就是将特征点的描述符来计算欧式距离，然后对齐排序选取最小的距离点。下面将会使用图像来进行简单说明：
得出图像 i m g 1 img_1 img1的特征点与 i m g 2 img_2 img2的特征点，进行欧式距离的计算，计算公式为：
d i s = ( d 1 − f 1 ) 2 + ( d 2 − f 2 ) 2 + . . . + ( d n − f n ) 2 dis=\sqrt{(d_1-f_1)^2+(d_2-f_2)^2+...+(d_n-f_n)^2} dis=(d1−f1)2+(d2−f2)2+
最低0.47元/天 解锁文章
6811
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
