使用 FLANN 进行特征匹配

在本教程中，你将学到如何：

• 使用 cv::FlannBasedMatcher 接口，借助 flann 模块完成快速、高效的匹配。

\warning 你需要 OpenCV contrib 模块 才能使用 SURF 特征 （替代方案有 ORB、KAZE 等特征）。

理论

经典的特征描述子（SIFT、SURF 等）通常使用欧氏距离（或 L2 范数）进行比较与匹配。 由于 SIFT 与 SURF 的描述子表示的是邻域内方向梯度直方图（SURF 则是 Haar 小波响应的直方图）， 因此欧氏距离的替代方案是基于直方图的度量（$\chi^{2}$、推土机距离（Earth Mover’s Distance，EMD）等）。

Arandjelovic 等人在 [Arandjelovic:2012:TTE:2354409.2355123] 中提出将其扩展为 RootSIFT 描述子：

用平方根（Hellinger）核代替标准的欧氏距离来度量 SIFT 描述子之间的相似度， 能够在流水线的各个阶段带来显著的性能提升。

二值描述子（ORB、BRISK 等）使用汉明距离进行匹配。 该距离等价于统计两个二值串中不同元素的个数（即对二者做异或（XOR）运算后进行人口计数）： $d_{hamming} \left ( a,b \right ) = \sum_{i=0}^{n-1} \left ( a_i \oplus b_i \right )$

为了过滤匹配，Lowe 在 [Lowe04] 中提出使用距离比率测试（distance ratio test）来尝试剔除错误匹配。 具体做法是计算某个关键点的两个最近匹配之间的距离比率，当该值低于某个阈值时即视为一次好的匹配。 事实上，该比率有助于区分歧义匹配（两个最近邻之间的距离比率接近 1）与区分度良好的匹配。 下面这张来自 SIFT 论文的图展示了基于最近邻距离比率测试时，匹配正确的概率。

其他的或附加的过滤测试包括：

• 交叉验证测试（cross check test：当特征 $f_b$ 是 $I_b$ 中与 $f_a$ 的最佳匹配， 且特征 $f_a$ 是 $I_a$ 中与 $f_b$ 的最佳匹配时，才认为匹配 $\left( f_a, f_b \right)$ 是好的）
• 几何测试（剔除不符合某个几何模型的匹配，例如对平面物体使用 RANSAC 或鲁棒单应性矩阵估计）

代码

本教程的代码如下所示。你也可以从 这里 下载。 代码见下方示例 本教程的代码如下所示。你也可以从 这里 下载。 代码见下方示例 本教程的代码如下所示。你也可以从 这里 下载。 代码见下方示例

说明

结果

• 下面是使用距离比率测试进行 SURF 特征匹配的结果：