/***好記性不如爛筆頭，記下來便於以後複習***/       

      特徵匹配的結果會得到兩個特徵集合的對應關係列表。第一組特徵集被稱為訓練集（train），第二組被稱為查詢集（query）。Flann 在呼叫匹配函式之前，為了提高匹配速度，訓練一個匹配器。訓練階段是為了優化cv::FlannBasedMatcher的效能。train類將會建立特徵集的索引樹。將 query image 的每一個特徵點和 train 匹配器進行匹配，找出最佳匹配；也就是從query image 的特徵中逐個去和訓練器做匹配，也就是說每一個query image 特徵點都會有一個最佳匹配，後期還需要驗證這匹配的正確性，可以通過設定截斷值來去除誤差大的匹配；

     去除了誤差大的匹配即可以使用 Lowe's策略進行匹配的再一次篩選；

      knnMatch（）找每個query image特徵的K近鄰匹配，效率不夠高，幀率很低。

Lowe’s演算法：為了進一步篩選匹配點，來獲取優秀的匹配點，這就是所謂的“去粗取精”。一般會採用Lowe’s演算法來進一步獲取優秀匹配點。
   為了排除因為影象遮擋和背景混亂而產生的無匹配關係的關鍵點，SIFT的作者Lowe提出了比較最近鄰距離與次近鄰距離的SIFT匹配方式：取一幅影象中的一個SIFT關鍵點，並找出其與另一幅影象中歐式距離最近的前兩個關鍵點，在這兩個關鍵點中，如果最近的距離除以次近的距離得到的比率ratio少於某個閾值T，則接受這一對匹配點。因為對於錯誤匹配，由於特徵空間的高維性，相似的距離可能有大量其他的錯誤匹配，從而它的ratio值比較高。顯然降低這個比例閾值T，SIFT匹配點數目會減少，但更加穩定，反之亦然。
   Lowe推薦ratio的閾值為0.8，但作者對大量任意存在尺度、旋轉和亮度變化的兩幅圖片進行匹配，結果表明ratio取值在0. 4~0. 6 之間最佳，小於0. 4的很少有匹配點，大於0. 6的則存在大量錯誤匹配點，所以建議ratio的取值原則如下:

ratio=0. 4：對於準確度要求高的匹配；

ratio=0. 6：對於匹配點數目要求比較多的匹配；

ratio=0. 5：一般情況下。

Lowe's改進：可以反過來使用最近鄰比次近鄰，在匹配中可以作為置信度來使用，當滿足最近鄰比次近鄰大於某個值的時候，作為某個條件的判別  置信度；比如可以應用在雙目視覺立體匹配中的視差選擇與優化環節中（論文正在編寫中）；

#include "highgui/highgui.hpp"    
#include "opencv2/nonfree/nonfree.hpp"    
#include "opencv2/legacy/legacy.hpp"   
#include <iostream>  

using namespace cv;
using namespace std;

int main()
{
    Mat image01 = imread("g2.jpg", 1);    
    Mat image02 = imread("g4.jpg", 1);    
    imshow("p2", image01);
    imshow("p1", image02);

    //灰度圖轉換  
    Mat image1, image2;
    cvtColor(image01, image1, CV_RGB2GRAY);
    cvtColor(image02, image2, CV_RGB2GRAY);


    //提取特徵點    
    SurfFeatureDetector surfDetector(2000); //海塞矩陣閾值，在這裡調整精度，值越大點越少，越精準 
    vector<KeyPoint> keyPoint1, keyPoint2;
    surfDetector.detect(image1, keyPoint1);
    surfDetector.detect(image2, keyPoint2);

    //特徵點描述，為下邊的特徵點匹配做準備    
    SurfDescriptorExtractor SurfDescriptor;
    Mat imageDesc1, imageDesc2;
    SurfDescriptor.compute(image1, keyPoint1, imageDesc1);
    SurfDescriptor.compute(image2, keyPoint2, imageDesc2);

    FlannBasedMatcher matcher;
    vector<vector<DMatch> > matchePoints;
    vector<DMatch> GoodMatchePoints;

    vector<Mat> train_desc(1, imageDesc1);
    matcher.add(train_desc);
    matcher.train();

    matcher.knnMatch(imageDesc2, matchePoints, 2);
    cout << "total match points: " << matchePoints.size() << endl;

    // Lowe's algorithm,獲取優秀匹配點
    for (int i = 0; i < matchePoints.size(); i++)
    {
        if (matchePoints[i][0].distance < 0.6 * matchePoints[i][1].distance)
        {
            GoodMatchePoints.push_back(matchePoints[i][0]);
        }
    }

    Mat first_match;
    drawMatches(image02, keyPoint2, image01, keyPoint1, GoodMatchePoints, first_match);
    imshow("first_match ", first_match);
    waitKey();
    return 0;
}
 

參考部落格：

https://blog.csdn.net/xxzxxzdlut/article/details/72930209

https://www.cnblogs.com/wyuzl/p/7816011.html