基于特征的图像匹配

特征点的匹配

1. 概述
如何高效且准确的匹配出两个不同视角的图像中的同一个物体，是许多计算机视觉应用中的第一步。但基于像素的匹配肯定是不行的，因此要用特征点来进行匹配。就需要找出一种能够在相机进行移动和旋转（视角发生变化），仍然能够保持不变的特征，利用这些不变的特征来找出不同视角的图像中的同一个物体。

计算机视觉的研究者们设计了许多更为稳定的的特征点，这些特征点不会随着相机的移动，旋转或者光照的变化而变化。例如：SIFT,SURF,ORB等。

一个图像的特征点由两部分构成：关键点（Keypoint）和描述子。 关键点指的是该特征点在图像中的位置，有些还具有方向、尺度信息；描述子通常是一个向量，按照人为的设计的方式，描述关键点周围像素的信息。通常描述子是按照外观相似的特征应该有相似的描述子设计的。因此，在匹配的时候，只要两个特征点的描述子在向量空间的距离相近，就可以认为它们是同一个特征点。

（1）提取特征点
（2）根据特征点位置计算描述子
（3）根据描述子进行匹配

2. 提取特征点算法
（重点看看维度是怎么确定的，特征领域应该就是确定出来的特征点）
3.特征点的匹配
（1）暴力匹配（每个点都与其他的所有点计算距离，选择最短的那个）
（2）汉明距离小于最小距离的两倍
（3）交叉匹配：暴力匹配之后，在进行一次反向匹配。如果被匹配点匹配到的是匹配点，那就对了 。
（4）KNN匹配：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。
（5）RANSAC：