我正在阅读许多有关使用特征提取(sift ecc)进行对象检测的文章。
在两个图像上都计算了描述符后，为了获得良好的匹配，他们正在使用crossCheckMatching。 (位于sample/cpp/descritpor_extractor_matcher.cpp上)
我知道科德为什么会这样选择？
为什么我们都需要评估
descriptorMatcher->knnMatch( descriptors1, descriptors2, matches12, knn );
descriptorMatcher->knnMatch( descriptors2, descriptors1, matches21, knn );
我不明白
例如，计算欧氏距离不会在两个方向上返回相同的结果吗？
最佳答案
通常，您不能假定匹配器将使用欧氏距离。例如，BFMatcher支持不同的规范:L1，L2，Hamming ...
您可以在此处查看文档以获取更多详细信息:http://docs.opencv.org/modules/features2d/doc/common_interfaces_of_descriptor_matchers.html
无论如何，所有这些距离量度都是对称的，使用哪一个来回答问题都没有关系。
答案是:调用knnMatch(A,B)与调用knnMatch(B,A)不同。
如果您不信任我，我将尝试为您提供图形直观的解释。为了简单起见，我假设使用knn==1，以便对于每个查询的描述符，该算法将仅找到1个对应关系(更容易绘制:-)
我随机选择了几个2D样本，并创建了两个数据集(红色和绿色)。在第一个图中，绿色位于查询数据集中，这意味着对于每个绿色点，我们尝试找到最接近的红色点(每个箭头代表一个对应关系)。
在第二个图中，查询和训练数据集已交换。
最后，我还绘制了crossCheckMatching()函数的结果，该函数仅保留双向匹配。
如您所见，crossCheckMatching()的输出比每个单个knnMatch(X，Y)/knnMatch(Y，X)都要好得多，因为只保留了最强的对应关系。