FLANN 快速特征匹配

• 用来快速匹配特征。

• 名词含义：

  des1：第一组特征向量
  des2：第二组特征向量

• 基于opencv，该方法得到des1在des2中前k个最近的特征

输入：
相同维度的两个特征描述
n行 m列，n是关键点个数，m是每个关键点特征描述的维度

输出：
前k个最相近的特征向量

import cv2
from numpy import *


# While using ORB, you can pass the following.
FLANN_INDEX_LSH = 6
index_params = dict(algorithm=FLANN_INDEX_LSH,
                    table_number=6,  # 12
                    key_size=12,  # 20
                    multi_probe_level=1)  # 2
search_params = dict(checks=50)  # or pass empty dictionary  这是第二个字典，指定了索引里的树应该被递归遍历的次数

flann = cv2.FlannBasedMatcher(index_params, search_params)


# 制作描述子
des_1 = array([[0, 0], [1, 1], [3, 3]]).astype(uint8)  # 训练  模板
des_2 = array([[3, 3], [0, 0], [1, 1]]).astype(uint8)  # 查询

# queryDescriptors, trainDescriptors, k, mask, compactResult
matches = flann.knnMatch(des_2, des_1, k=2)

# print(matches)
for (m, n) in matches:  # m是最小距离  n是次小距离（或者一会加上过滤）
    print(m.distance)
    # print('m.queryIdx:', m.queryIdx)  # 查询
    print('trainIdx:', m.trainIdx)  # 训练

输出结果：

0.0
trainIdx: 2
0.0
trainIdx: 0
0.0
trainIdx: 1

由此看出，在查询图像中找到了每个最相似的关键点的索引