Flann特征点匹配简述（Lowe's algorithm）

/***好记性不如烂笔头，记下来便于以后复习***/       

      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