目标匹配CoarseToFine

目标匹配

简要梳理一下目标匹配

---

匹配主要用来拼接、变化检测、双目深度计算等，根据匹配的方法分为稀疏匹配（sparse）和稠密匹配（dense）。稀疏匹配主要是特征点+距离测度（衡量两个向量的相似度），稠密匹配为块匹配。

---

稀疏匹配

稀疏匹配，找到能够代表图像信息的关键点（如角点），计算最相似的对应匹配点。

常用的特征有sift,surf,harris等，一般选用欧氏距离、互相关等。若目的是稠密匹配，可先进行目标分割，利用分割结果refine之前的匹配结果。
特征点匹配，会涉及到outlier剔除。一般采用随机采样一致性（RANSAC），这个方法用处很大，在很多拟合的问题中都会涉及。该方法认为数据中有一些离群点是需要被剔除的，适当割舍一些数据达到更好的效果。
RANSAC的效果和三个参数有关系，初始样本点、最大抽样迭代次数和容差sigma。

目前做过的稀疏匹配，首先提取特征点，然后计算3*3变换矩阵，如果只涉及到旋转和平移的刚性变换，就是2*2矩阵。

---

块匹配

推荐 https://blog.csdn.net/hujingshuang/article/details/47759579
写的非常详细，给出了各个相似度的计算公式

块匹配，简单来说，对于每一个像素点(x,y)加入其上下文信息，