比较 KAZE 与 SIFT 的算法

根据测试结果，两种算法对于ubc、bikes、trees和boat四种图集都有很好的鲁棒性，能够准确将图像匹配起来。两种算法的差异主要是在bark、graf、leuven和wall图集中表现出来的。

方法/步骤

1. 1

   bark图集主要检验特征算法对旋转和缩放的鲁棒性。可见KAZE算法有效检测的特征点少于SIFT算法，而SIFT算法则能成功匹配所有5对图像；我们可以发现，KAZE算法在尺度不变性上是逊于SIFT的，当缩放系数低于0.6以后，KAZE的正确匹配率就会明显下降，而SIFT则能保持60%以上的正确匹配率。通过对SIFT的源码分析可以知道，SIFT中每组Octave的层数nOctaveLayer默认为3层，而组数nOctaves则是根据图像的大小自动生成的：

      int nOctaves = actualNOctaves > 0 ? actualNOctaves : cvRound(std::log( (double)std::min( base.cols, base.rows ) ) / std::log(2.) - 2) - firstOctave;

       这使得 SIFT 能够根据图像尺寸选择合适的尺度范围，在不同尺度上都能检测到关键点，保证其尺度不变性。测试中KAZE算法的nOctaves=2, nLayers=4，包含的尺度范围较少。在源码里这两个参数的调整需要使用者输入。可以仿照SIFT那样自动计算nOctave，但由于KAZE构造非线性尺度空间耗时较长，太多的nOctave却会降低KAZE的效率。

2. 2

   graf和wall图集侧重检验算法对视角变化的鲁棒性。可以看到KAZE算法有效检测的特征数和成功匹配的点对数均比SIFT高，不过两者都不能将graf图集的Img1与Img6匹配起来，而SIFT算法也不能匹配出wall图集的Img-1和Img-6.

3. 3

   leuven图集侧重于光照变化方面的检验。KAZE算法和SIFT算法都表现稳定，对光照变化不敏感。

   在后期的进一步试验发现，KAZE特征的匹配对参数的设置比较敏感。我github上最新的样例 azeOpenCV.cpp 中使用 BFMatcher 或 FlannBasedMatcher 进行特征匹配，默认情况下会对匹配后的结果作初步过滤（filterMatches=true），筛选出小于2倍最小距离的配对特征，然后再寻找Homography。实验发现，这样的初步过滤在大部分情况下可以有效排除冗余配对的干扰，找出正确的Homography；但在极限情况下（例如视角变换大、明暗差异大、尺度差异大等），初步过滤又会减少配对数量，从而找不到有效的Homography。而SIFT则比较稳定，做不做过滤都能找到Homography。可能KAZE的描述向量还是有改进的空间，后期可以测试下用作者最新的G-SURF描述向量，或者用其它类型的描述符来搭配测试。