Feature Matching with FLANN

Feature Matching with FLANN

一.基础知识

1.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。

参考博客：

https://blog.csdn.net/u010368556/article/details/82939404

2.k近邻算法

​ K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。

参考网址：

https://baike.baidu.com/item/k近邻算法/9512781?fr=aladdin

https://www.jianshu.com/p/bad83a08b1a8

3.此外，还有一些概念需要了解，感兴趣的可以进行了解（强烈推荐了解）

https://www.cnblogs.com/wangguchangqing/p/4333873.html

https://www.cnblogs.com/cgjdemo/p/4117400.html?utm_source=tuicool&utm_medium=referral

二.代码实现

#include <iostream>
#include "opencv2/core.hpp"
#ifdef HAVE_OPENCV_XFEATURES2D
#include "opencv2/highgui.hpp"
#include "opencv2/features2d.hpp"
#include "opencv2/xfeatures2d.hpp"
using namespace cv;
using namespace cv::xfeatures2d;
using std::cout;
using std::endl;
const char* keys