通过降维加速opencv中的knnMatch图像匹配

问题描述：opencv中knnMatch是一种蛮力匹配，基本原理是将待匹配图片的sift等特征与目标图片中的全部sift特征一对n的全量便利，找出相似度最高的前k个。当待匹配的图片增多时，需要的计算量太大，所以考虑是否可以通过降维的方式减少计算过程中的时间花费。

1. PCA降维

从物理的角度来说，所有的数据都可以看作物体（object）在选定特征（坐标轴）上的投影，而这个数值的大小代表这个object在这个特征上的表现力（强度）。为了尽可能详细的去表达一个或者一类object，有时候选取的特征会过多，就造成了数据冗余，而这些冗余的数据对于计算来说花费是十分昂贵的。所以涌现了诸如PCA，LDA，FA等降维的方式。PCA算法相当于对数据做了一次整体的分析，找出最能代表这些数据的特征（这些特征不一定是原始选定的特征，而因子分子FA则是在原有的特征中找出特征投影交大的一部分特征），并用这些特征去表示原始数据。用投影的理论来说，所有的物体不再向原来表示特征的坐标轴去投影，而是改为向新的特征对应的坐标轴去投影。

2. SVD实现降维

经典的SVD公式：

$$M = U\Sigma V^{T}$$ 假设 M∈Rm×n,则U∈Rm×k,Σ∈R