在做到识别的时候,一开始用的是surf特征,但是发现速度很慢,故想切换到orb特征,但是发现两种特征的区别。
surf特征得到float类型的描述子,故使用FlannBasedMatcher匹配方式,这是一种快速的匹配方法Fast Library forApproximate Nearest Neighbors,会建立一颗树(具体的我没看),使用knnmatch很快能得到k类类似的描述子(比如k=2,会得到2类较好的,可以通过比较两类的距离的比值,确定the best match是否符合我们想要的);而orb得到uchar类型的描述子,这种需要使用BruteForce<Hamming>或BruteForce<HammingLUT>,这是一种暴力匹配的方式,尝试所有可能的匹配,使得它能够找到最佳匹配。Brief和orb一样,会得到uchar类型的描述子。
在opencv中,所有的特征提取方法都实现FeatureDetector接口,DescriptorExtractor接口则封装了对特征向量(特征描述符)的提取,而所有特征向量的匹配都继承了DescriptorMatcher接口。
这篇博客详细介绍了特征匹配及其优化http://blog.csdn.net/chuhang_zhqr/article/details/50951653
我从中得知了knnmatch是一个适合DescriptorMatcher接口的方法,可以使用比率测试排除匹配效果不好的结果,从而得到好的结果。
可以从下面两张图片中知道descriptortype有五种,其中四种都是bruteforce,一种flannbased。对应float类型的匹配方式有:FlannBasedMatcher,BruteForce<L2<float>>,BruteForce<SL2<float>>,BruteForce<L1<float>>。对应uchar类型的匹配方式有:BruteForce<Hammin>,BruteForce<HammingLUT>。BFMatcher中有两个参数:normtype和crosscheck,其中crosscheck是交叉测试,当1和2能匹配上时,会让2去匹配1,若成功,则最终成功,否则放弃。这也可以用来排除匹配效果不好的结果。