双目立体视觉-特征匹配之FLANN算法

特征匹配的结果会得到两个特征集合的对应关系列表。第一组特征集被称为训练集（train），第二组被称为查询集（query）。Flann 在调用匹配函数之前，为了提高匹配速度，训练一个匹配器。训练阶段是为了优化cv::FlannBasedMatcher的性能。train类将会建立特征集的索引树。将 query image 的每一个特征点和 train 匹配器进行匹配，找出最佳匹配；也就是从query image 的特征中逐个去和训练器做匹配，也就是说每一个query image 特征点都会有一个最佳匹配，后期还需要验证这匹配的正确性，可以通过设置截断值来去除误差大的匹配；

     去除了误差大的匹配即可以使用 Lowe's策略进行匹配的再一次筛选；

      knnMatch（）找每个query image特征的K近邻匹配，效率不够高，帧率很低。

Lowe’s算法：为了进一步筛选匹配点，来获取优秀的匹配点，这就是所谓的“去粗取精”。一般会采用Lowe’s算法来进一步获取优秀匹配点。
   为了排除因为图像遮挡和背景混乱而产生的无匹配关系的关键点，SIFT的作者Lowe提出了比较最近邻距离与次近邻距离的SIFT匹配方式：取一幅图像中的一个SIFT关键点，并找出其与另一幅图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离得到的比率ratio少于某个阈值T，则接受这一对匹配点。因为对于错误匹配，由于特征空间的高维性，相似的距离可能有大量其他的错误匹配，从而它的ratio值比较高。显然降低这个比例阈值T，SIFT匹配点数目会减少，但更加稳定，反之亦然。
   Lowe推荐ratio的阈值为0.8，但作者对大量任意存在尺度、旋转和亮度变化的两幅图片进行匹配，结果表明ratio取值在0. 4~0. 6 之间最佳，小于0. 4的很少有匹配点，大于0. 6的则存在大量错误匹配点，所以建议ratio的取值原则如下:

ratio=0. 4：对于准确度要求高的匹配；

ratio=0. 6：对于匹配点数目要求比较多的匹配；

ratio=0. 5：一般情况下。

Lowe's改进：可以反过来使用最近邻比次近邻，在匹配中可以作为置信度来使用，当满足最近邻比次近邻大于某个值的时候，作为某个条件的判别  置信度；比如可以应用在双目视觉立体匹配中的视差选择与优化环节中（论文正在编写中）；

原文链接：https://blog.csdn.net/u010368556/article/details/82939404

原文有C代码