2019-9-9 opencv特征检测和描述9-特征匹配（图片在opencv下载）Brute-Force Matcher/FLANN Matcher

官网https://docs.opencv.org/3.4.1/dc/dc3/tutorial_py_matcher.html

Brute-Force（暴力）匹配基础

暴力匹配是很简单的。先取第一个集合（图像）中一个特征的描述符，然后和第二个集合（图像）中所有特征进行距离计算，最后返回距离最近的那个特征点（最匹配）。

BF匹配，首先我们使用cv.BFMatcher()函数创建BFMatcher对象，这个函数有2个可选参数。第一个是normType，指定距离测量方法，默认是cv.NORM_L2。这个很适合SIFT和SURF（cv.NORM_L1也可以）。基于二进制字符串的描述符，例如：ORB, BRIEF, BRISK等，可以使用cv.NORM_HAMMING，它使用汉明距离测量。如果ORB，而且WTA_K == 3或者4，使用cv.NORM_HAMMING2（在ORB一节中介绍过）。

第二个参数是布尔变量crossCheck，默认是false。改值如果是true，只会返回满足以下条件的值，在集合A（图像）中的第i个描述符到集合B（图像）中第j个描述符的距离最近，同时从集合B中的第j个描述符到A中第i个描述符也是最近（A 中没有其他点到j 的距离更近），那就会返回(i，j)。也就是说，2个集合中的2个特征点要互相匹配才行。这样的话就可以提供一致的结果，可以很好的替代D.Lowe在SIFT论文中提出的比率测试方法。

BFMatcher对象一旦创建好，有2个方法BFMatcher.match()和BFMatcher.knnMatch()。第一个方法返回最佳匹配。第二个方法返回K个最佳匹配，k由用户定义，如果除了匹配之外还要做其他工作，这个方法很有用。

就像使用cv.drawKeypoints() 函数绘制关键点一样，我们可以使用cv.drawMatches() 函数绘制匹配点。它先把两幅图像并排排列，然后从第一幅图像到第二幅图像绘制直线（从源图像到目标图像的最佳匹配点之间）。cv.drawMatchesKnn函数可以绘制k个最佳匹配（从第一幅图像每个关键点到第二幅图像的k个最佳匹配关键点）。如果k=2，每个关键点绘制2条最佳匹配直线。如果我们想选择性绘制，那就需要送入掩膜。

让我们分别看一个ORB和SURF的例子吧。（使用不同距离计算方法）。

使用ORB描述符的Brute-Force匹配</