在 openCV 中查找 SURF 的精确匹配
我正在使用 openCV Surf 跟踪器来查找两个图像中的精确点。 如您所知，Surf 在两个图像中返回许多特征点。我想要做的是使用这些特征参数来找出哪些匹配是完全正确的（真正的匹配）。在我的应用程序中，我只需要真正的积极匹配。
这些参数存在：Hessian、拉普拉斯、距离、大小、方向。
我不知道如何使用这些参数？ 精确匹配的距离是更小还是粗麻布更多？拉普拉斯算子可以帮忙吗？大小或目录可以提供帮助吗？
我怎样才能找到完全匹配（真阳性）？
I am using openCV Surf tracker to find exact points in two images.
as you know, Surf returns many Feature points in both images. what i want to do is using these feature parameters to find out which matches are exactly correct (true positive matches). In my application i need only true positive matches.
These parameters existed : Hessian, Laplacian, Distance, Size, Dir.
I dont know how to use these parameters?
is exact matches have less distance or more hessian? laplacian can help ? size or dir can help ?
How can i find Exact matches(true positives)??
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（3）
通过采用以下策略，您可以在查询和图像中的描述符之间找到非常好的匹配 -
使用 2 NN 搜索图像描述符中的查询描述符，并满足以下条件 -
if distance(1st match) < 0.6*距离（第二场比赛） 第一场比赛是“好比赛”。
过滤掉误报。
You can find very decent matches between descriptors in the query and image by adopting the following strategy -
Use a 2 NN search for query descriptors among the image descriptors, and the following condition-
if distance(1st match) < 0.6*distance(2nd match) the 1st match is a "good match".
to filter out false positives.
显然，您无法 100% 确定哪些点真正匹配。您可以通过调整 SURF 参数来增加（性能成本）积极因素（请参阅一些链接 此处）。根据您的实际任务，您可以使用强大的算法来消除异常值，即 RANSAC（如果您执行某种模型拟合）。另外，正如 Erfan 所说，您可以使用空间信息（查看“Elastic Bunch Graph Matching”和 空间弓）。
It obvious you can't be 100% sure which points truly match. You can increase (in the cost of performance) positives by tuning SURF parameters (see some links here). Depending on your real task you can use robust algorithms to eliminate outliers, i.e. RANSAC if you perform kind of model fitting. Also, as Erfan said, you can use spatial information (check out "Elastic Bunch Graph Matching" and Spatial BoW).
我即将发布的答案只是我的猜测，因为我还没有测试它来看看它是否完全按照预期工作。
通过比较opencv返回的3个随机候选特征点之间的相对极距离，并与模板中的对应点进行比较（有一定误差），你不仅可以计算出真阳性的概率，还有匹配图案的角度和比例。
干杯!
The answer which I'm about to post is just my guess because I have not tested it to see whether it exactly works as predicted or not.
By comparing the relative polar distance between 3 random candidate feature points returned by
opencvand comparing it with the counterpart points in the template (with a certain error), you can not only compute the probability of true positiveness, but also the angle and the scale of your matched pattern.Cheers!