学习OpenCV——KeyPoint Matching 优化方式

今天读Mastering OpenCV with Practical Computer Vision Projects 中的第三章里面讲到了几种特征点匹配的优化方式，在此记录。

在图像特征点检测完成后（特征点检测参考：学习OpenCV——BOW特征提取函数（特征点篇）），就会进入Matching  procedure。

1. OpenCV提供了两种Matching方式：

• Brute-force matcher (cv::BFMatcher) 

• Flann-based matcher (cv::FlannBasedMatcher)

Brute-force matcher就是用暴力方法找到点集一中每个descriptor在点集二中距离最近的descriptor；

Flann-based matcher 使用快速近似最近邻搜索算法寻找（用快速的第三方库近似最近邻搜索算法）

一般把点集一称为 train set （训练集）对应模板图像，点集二称为 query set（查询集）对应查找模板图的目标图像。

为了提高检测速度，你可以调用matching函数前，先训练一个matcher。训练过程可以首先使用cv::FlannBasedMatcher来优化，为descriptor建立索引树，这种操作将在匹配大量数据时发挥巨大作用（比如在上百幅图像的数据集中查找匹配图像）。而Brute-force matcher在这个过程并不进行操作，它只是将train descriptors保存在内存中。

2. 在matching过程中可以使用cv::DescriptorMatcher的如下功能来进行匹配：

• 简单查找最优匹配：void match(const Mat& queryDescriptors, vector& matches,const vector& masks=vector() );
• 为每个descriptor查找K-nearest-matches：void knnMatch(const Mat& queryDescriptors, vector >& matches, int k,const vector&masks=vector(),bool compactResult=false );
• 查找那些descriptors间距离小于特定距离的匹配：void radiusMatch(const Mat& queryDescriptors, vector >& matches, maxDistance, const vector& masks=vector(), bool compactResult=false );

3. matching结果包含许多错误匹配，错误的匹配分为两种：

• False-positive matches: 将非对应特征点检测为匹配（我们可以对他做文章，尽量消除它）
  
• False-negative matches: 未将匹配的特征点检测出来（无法处理，因为matching算法拒绝）
  

为了消除False-positive matches采用如下两种方式：

• Cross-match filter：

在OpenCV中 cv::BFMatcher class已经支持交叉验证，建立  cv::BFMatcher将第二参数声明为true

cv::Ptr matcher(new cv::BFMatcher(cv::NORM_HAMMING,true));

经过 Cross-match filter的结果：

• Ratio test
  

使用KNN-matching算法，令K=2。则每个match得到两个最接近的descriptor，然后计算最接近距离和次接近距离之间的比值，当比值大于既定值时，才作为最终match。

 void PatternDetector::getMatches(const cv::Mat& queryDescriptors,  std::vector& matches)
 {
     matches.clear();
     if (enableRatioTest)
     {
         // To avoid NaNs when best match has
         // zero distance we will use inverse ratio.
         const float minRatio = 1.f / 1.5f;
         // KNN match will return 2 nearest
         // matches for each query descriptor
         m_matcher->knnMatch(queryDescriptors, m_knnMatches, 2);
         for (size_t i=0; i
         {
             const cv::DMatch& bestMatch = m_knnMatches[i][0];
             const cv::DMatch& betterMatch = m_knnMatches[i][1];
             float distanceRatio = bestMatch.distance /
                 betterMatch.distance;
             // Pass only matches where distance ratio between
             // nearest matches is greater than 1.5
             // (distinct criteria)
             if (distanceRatio < minRatio)
             {
                 matches.push_back(bestMatch);
             }
         }
     }
     else
     {
         // Perform regular match
         m_matcher->match(queryDescriptors, matches);
     }
 }

4. Homography estimation

为了进一步提升匹配精度，可以采用随机样本一致性（RANSAC）方法。

因为我们是使用一幅图像（一个平面物体），我们可以将它定义为刚性的，可以在pattern image和query image的特征点之间找到单应性变换（homography transformation ）。使用cv::findHomography找到这个单应性变换，使用RANSAC找到最佳单应性矩阵。（由于这个函数使用的特征点同时包含正确和错误匹配点，因此计算的单应性矩阵依赖于二次投影的准确性）

 bool PatternDetector::refineMatchesWithHomography
 (
 const std::vector& queryKeypoints,
 const std::vector& trainKeypoints,
 float reprojectionThreshold,
 std::vector& matches,
 cv::Mat& homography
 )
 {
 const int minNumberMatchesAllowed = 8;
 if (matches.size() < minNumberMatchesAllowed)
 return false;
 // Prepare data for cv::findHomography
 std::vector srcPoints(matches.size());
 std::vector dstPoints(matches.size());
 for (size_t i = 0; i < matches.size(); i++)
 {
 srcPoints[i] = trainKeypoints[matches[i].trainIdx].pt;
 dstPoints[i] = queryKeypoints[matches[i].queryIdx].pt;
 }
 // Find homography matrix and get inliers mask
 std::vectorchar> inliersMask(srcPoints.size());
 homography = cv::findHomography(srcPoints,
 dstPoints,
 CV_FM_RANSAC,
 reprojectionThreshold,
 inliersMask);
 std::vector inliers;
 for (size_t i=0; i
 {
 if (inliersMask[i])
 inliers.push_back(matches[i]);
 }
 matches.swap(inliers);
 return matches.size() > minNumberMatchesAllowed;
 }

经过单应性变换的过滤结果