为什么我们需要 crossCheckMatching 功能？

我正在阅读很多使用特征提取（sift ecc）进行对象检测的文章。

在计算两个图像上的描述符后，为了获得良好的匹配，他们使用了 crossCheckMatching。 （发现于样本/cpp/descritpor_extractor_matcher.cpp https://code.ros.org/trac/opencv/browser/trunk/opencv/samples/cpp/descriptor_extractor_matcher.cpp?rev=3943)

我能理解为什么这样选择吗？

为什么我们需要评估两者

descriptorMatcher->knnMatch( descriptors1, descriptors2, matches12, knn );
descriptorMatcher->knnMatch( descriptors2, descriptors1, matches21, knn );

我不明白。

例如，计算欧几里距离不会返回相同的结果双向？

您通常不能假设您的匹配器将使用欧几里得距离。例如，BFMatcher 支持不同的规范：L1、L2、Hamming...

您可以在此处查看文档以了解更多详细信息：http://docs.opencv.org/modules/features2d/doc/common_interfaces_of_descriptor_matchers.html http://docs.opencv.org/modules/features2d/doc/common_interfaces_of_descriptor_matchers.html

无论如何，所有这些距离测量都是对称的，使用哪一个来回答问题并不重要。

答案是：打电话knnMatch(A,B)与调用不一样knnMatch(B,A).

如果您不相信我，我会尽力为您提供图形化且直观的解释。为了简单起见，我假设knn==1，这样对于每个查询的描述符，算法只会找到 1 个对应关系（更容易绘制:-)

我随机挑选了一些二维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）。

在第二张图中，查询数据集和训练数据集已交换。

最后，我还绘制了结果crossCheckMatching()仅保留双向匹配的函数。

正如你所看到的，crossCheckMatching()的输出比每个单独的 knnMatch(X,Y) / knnMatch(Y,X) 好得多，因为只保留了最强的对应关系。