orb-surf近期感想

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。