使用 OpenCV 中的蠻力(Brute-Force)匹配和 FLANN 匹配。
1：Brute-Force 匹配的基礎
蠻力匹配器是很簡單的。首先在第一幅影象中選取一個關鍵點然後依次與第二幅影象的每個關鍵點進行(描述符)距離測試,最後返回距離最近的關鍵點。
對於 BF 匹配器,我們首先要使用 cv2.BFMatcher() 建立一個 BF-Matcher 物件。它有兩個可選引數。第一個是 normType。它是用來指定要使用的距離測試型別。預設值為 cv2.Norm_L2。這很適合 SIFT 和 SURF 等(c2.NORM_L1 也可以)。對於使用二進位制描述符的 ORB,BRIEF,BRISK演算法等,要使用 cv2.NORM_HAMMING,這樣就會返回兩個測試物件之間的漢明距離。如果 ORB 演算法的引數設定為 V T A_K==3 或 4,normType就應該設定成 cv2.NORM_HAMMING2。
第二個引數是布林變數 crossCheck,預設值為 False。如果設定為True,匹配條件就會更加嚴格,只有到 A 中的第 i 個特徵點與 B 中的第 j 個特徵點距離最近,並且 B 中的第 j 個特徵點到 A 中的第 i 個特徵點也是最近(A 中沒有其他點到 j 的距離更近)時才會返回最佳匹配(i,j)。也就是這兩個特徵點要互相匹配才行。這樣就能提供統一的結果,這可以用來替代 D.Lowe在 SIFT 文章中提出的比值測試方法。
BFMatcher 物件具有兩個方法, BFMatcher.match() 和 BFMatcher.knnMatch()。第一個方法會返回最佳匹配。第二個方法為每個關鍵點返回 k 個最佳匹配(降序排列之後取前 k 個),其中 k 是由使用者設定的。如果除了匹配之外還要做其他事情的話可能會用上(比如進行比值測試)。
就 像 使 用 cv2.drawKeypoints() 繪 制 關 鍵 點 一 樣, 我 們 可 以 使 用cv2.drawMatches() 來繪製匹配的點。它會將這兩幅影象先水平排列,然後在最佳匹配的點之間繪製直線(從原影象到目標影象)。如果前面使用的是 BF-Matcher.knnMatch(),現在我們可以使用函式 cv2.drawMatchsKnn為每個關鍵點和它的 k 個最佳匹配點繪製匹配線。如果 k 等於 2,就會為每個關鍵點繪製兩條最佳匹配直線。如果我們要選擇性繪製話就要給函式傳入一個掩模。

2：FLANN 匹配器
FLANN 是快速最近鄰搜尋包(Fast_Library_for_Approximate_Nearest_Neighbors)的簡稱。它是一個對大資料集和高維特徵進行最近鄰搜尋的演算法的集合,而且這些演算法都已經被優化過了。在面對大資料集時它的效果要好於 BFMatcher。
使用 FLANN 匹配,我們需要傳入兩個字典作為引數。這兩個用來確定要使用的演算法和其他相關引數等。第一個是 IndexParams。indexparams = dict(algorithm = FLANNINDEX K DT REE, trees = 5)
各種不同演算法的資訊可以在 FLANN 文件中找到。
第二個字典是 SearchParams。用它來指定遞迴遍歷的次數。值越高結 果 越 準 確, 但是消耗的時間也越多。 如果你想修改這個值, 傳入參 數:searchparams = dict(checks = 100)。

使用一個查詢影象,在其中找到一些特徵點(關鍵點),我們又在另一幅影象中也找到了一些特徵點,最後對這兩幅影象之間的特徵點進行匹配。簡單來說就是:我們在一張雜亂的影象中找到了一個物件(的某些部分)的位置。這些資訊足以幫助我們在目標影象中準確的找到(查詢影象)物件。
為了達到這個目的可以使用 calib3d 模組中的 cv2.findHomography()函式。如果將這兩幅影象中的特徵點集傳給這個函式,他就會找到這個物件的透檢視變換。然後就可以使用函式cv2.perspectiveTransform() 找到這個物件了。至少要 4 個正確的點才能找到這種變換。
我們已經知道在匹配過程可能會有一些錯誤,而這些錯誤會影響最終結果。為了解決這個問題,演算法使用 RANSAC 和 LEAST_MEDIAN(可以通過引數來設定)。所以好的匹配提供的正確的估計被稱為 inliers,剩下的被稱為outliers。cv2.findHomography() 返回一個掩模,這個掩模確定了 inlier 和outlier 點。