特征匹配

特征匹配

匹配方法：

1. 暴力匹配
   暴力方法找到点集1中每个descriptor在点集2中距离最近的descriptor；找寻到的距离最小就认为匹配
2. Flann
   是一个对大数据集和高维特征进行最近邻搜索的算法的集合，在面对大数据集时它的效果要好于BFMatcher。

KNN

KNN（k-NearestNeighbor）即k个最邻近距离，不管是暴力匹配还是flann算法都可以输出k个最邻近匹配。

去粗差方法：

两组特征匹配了，但其中可能存在False-positive matches 即存在错误匹配，我们称其为粗差。
去除粗差匹配的方法：

1. 交叉验证

针对暴力匹配，可以使用交叉匹配的方法来过滤错误的匹配。交叉过滤的思想很简单，再进行一次匹配，反过来使用被匹配到的点进行匹配，如果匹配到的仍然是第一次匹配的点的话，就认为这是一个正确的匹配。举例来说就是，假如第一次特征点A使用暴力匹配的方法，匹配到的特征点是特征点B；反过来，使用特征点B进行匹配，如果匹配到的仍然是特征点A，则就认为这是一个正确的匹配，否则就是一个错误的匹配。OpenCV中BFMatcher已经封装了该方法，创建BFMatcher的实例时，第二个参数传入true即可，BFMatcher bfMatcher(NORM_HAMMING,true)。

2. Ratio test

K近邻匹配，在匹配的时候选择K个和特征点最相似的点，如果这K个点之间的区别足够大，则选择最相似的那个点作为匹配点，通常选择K = 2，也就是最近邻匹配。对每个匹配返回两个最近邻的匹配，如果第一匹配和第二匹配距离比率足够大（向量距离足够远），则认为这是一个正确的匹配，比率的阈值通常在2左右。

3. RANSAC

随机采样一致性（RANSAC）可过滤掉错误的匹配，该方法利用匹配点计算两个图像之间单应矩阵，并分解得到位姿R，t，通过三角测量来得到两个关联特征对应的3D点，将3D点按照当前估计的位姿进行投影，也就是重投影，然后利用重投影误差（观测到得投影位置（像素坐标）与3D点进行重投影的位置之差）来判定某一个匹配是不是正确的匹配。

---

Opencv中各种实现详情见：
https://www.cnblogs.com/Jessica-jie/p/8622449.html
http://www.cnblogs.com/wangguchangqing/p/4333873.html