特征匹配-NNDR策略，kd树，BBF算法

特征匹配需要考虑匹配策略和如何更快的完成匹配。

一：以欧式距离为度量，有三种匹配策略：固定阈值、最近邻、最近邻距离比率（NNDR）

固定阈值：就是设定一个阈值，当距离大于阈值，判为不匹配，否则判为匹配。但是一个问题是，阈值很难设定。随着移动到特征空间的不同部分时，阈值的有效范围会变化很大，即没有通用的阈值。

最近邻：找最近的那个。

最近邻距离比率：定义为最近邻距离和次近邻距离的比值。

        最近邻和NNDR策略改善了匹配效果。

——————————————————————————————————————

————————————更详细的介绍————————————————————

参考：结合NNDR与霍夫变换的匹配方法。

在建立两幅图像之间局部特征的匹配关系时，需要满唯一性、相似性、连续性三个基本约束条件，即物体表面任意一点到观察点距离是唯一的，因此其视差是唯一的，给定一副图像中的一点，其在另一幅图像中对应的匹配点最多只有一个；对应的特征应有相同的属性，在某种度量下，同一物理特征在两幅图像中具有相似的描述符；与观测点的距离相比，物体表面因凹凸不平引起的深度变化是缓慢的，因而视差变化是缓慢的，或者说视差具有连续性。

目前常用的目标匹配策略有两种：1、是距离阈值法，即待匹配目标与模型之间的距离小于某个阈值，则认为匹配上了，改方法非常简单，但是阈值的确定非常困难，而且目标很容易匹配上多个模型，从而产生大量的误匹配；2、最小距离法，即目标只匹配与其距离最近的模型，实际应用中一般还需要满足距离小于某个阈值的条件，该方法只有一个最佳的匹配结果，相对于距离阈值法来说，正确率要高。

由于图像的内容千差万别，加上场景中运动物体，不重叠内容以及图像质量等因素的存在，一副图像中的局部特征并不一定能够在另一幅图像中找到相似的特征，这就需要采取措施剔除那些产生干扰的噪声点。

3、通过对SIFT特征的研究表明，可以通过比较最近邻特征和次近邻特征的距离有效的甄别局部特征是否正确匹配。这就是最近邻距离比值法。该方法的理论来源是，如果一个特征在一副图像中与两个特征的距离都很相似，那么该特征的区分度较低，会对图像相似度的判断产生干扰。

——————————————————————————————————————

——————————————————————————————————————

二：高效完成匹配

选定匹配策略，下面要做的就是在潜在的候选中高效地进行搜索。