1. BF 匹配
BF 匹配，Brute-Force Matcher，暴力匹配. 其原理比较简单，首先从集合A中选择一个特征的描述子，然后与集合B中所有的其他特征计算某种相似度，进行匹配，并返回最接近的项.
OpenCV 中，首先使用 cv2.BFMatcher()创建 BFMatcher 实例，其包含两个可选参数：normType 和 crossCheck.
class BFMatcher(DescriptorMatcher):
def create(self, normType=None, crossCheck=None):
"""
normType：如 NORM_L1, NORM_L2, NORM_HAMMING, NORM_HAMMING2.
NORM_L1 和 NORM_L2 更适用于 SIFT 和 SURF 描述子;
NORM_HAMMING 和 ORB、BRISK、BRIEF 一起使用；
NORM_HAMMING2 用于 WTA_K==3或4 的 ORB 描述子.
crossCheck：默认为 False，其寻找每个查询描述子的 k 个最近邻.
若值为 True，则 knnMatch() 算法 k=1，仅返回(i, j)的匹配结果，
即集合A中的第 i 个描述子在集合B中的第 j 个描述子是最佳匹配.
也就是说，两个集合中的两个描述子特征是互相匹配的.
其提供连续的结果.
当有足够的匹配项时，其往往能够找到最佳的匹配结果.
"""
pass实例化 BFMatcher 后，两个重要的方法是 BFMatcher.match() 和 BFMatcher.knnMatch(). 前者仅返回最佳匹配结果，后者返回 k 个最佳匹配结果.
类似于 cv2.drawKeypoints() 画出关键点；cv2.drawMatches() 能够画出匹配结果. 其水平的堆叠两幅图像，并画出第一张图像到第二张图像的点连线，以表征最佳匹配. cv2.drawMatchKnn()能够画出 k 个最佳匹配.
2. 基于ORB描述子的BF匹配示例
import numpy as np
import cv2
from matplotlib import pyplot as plt
img1 = cv2.imread('box.png',0) # queryImage
img2 = cv2.imread('box_in_scene.png',0) # trainImage
# Initiate ORB detector
orb = cv2.ORB()
# find the keypoints and descriptors with SIFT
kp1, des1 = orb.detectAndCompute(img1,None)
kp2, des2 = orb.detectAndCompute(img2,None)
# create BFMatcher object
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
# Match descriptors.
matches = bf.match(des1,des2)
# Sort them in the order of their distance.
matches = sorted(matches, key = lambda x:x.distance)
# Draw first 10 matches.
img3 = cv2.drawMatches(img1,kp1,img2,kp2,matches[:10], flags=2)
plt.imshow(img3)
plt.show()如：
3. Matcher 对象
matches = bf.match(des1,des2) 得到的结果是 DMatch 对象，其具有如下几个属性：
DMatch.distance- 描述子间的距离，值越小越好.DMatch.trainIdx- 训练描述子的索引DMatch.queryIdx- 查询描述子的索引DMatch.imgIdx- 训练图像的索引.
4. SIFT 描述子和 Ratio Test 的 BF 匹配
这里采用 BFMatcher.knnMatch() 得到 k 个最佳匹配. 示例中，设置 k=2，以便于使用 D.Lowe 在论文中的 ratio test.
import numpy as np
import cv2
from matplotlib import pyplot as plt
img1 = cv2.imread('box.png',0) # queryImage
img2 = cv2.imread('box_in_scene.png',0) # trainImage
# Initiate SIFT detector
sift = cv2.SIFT()
# find the keypoints and descriptors with SIFT
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)
# BFMatcher with default params
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1,des2, k=2)
# Apply ratio test
good = []
for m,n in matches:
if m.distance < 0.75*n.distance:
good.append([m])
# cv2.drawMatchesKnn expects list of lists as matches.
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,flags=2)
plt.imshow(img3)
plt.show()如：
5. FLANN 匹配
FLANN，Fast Library for Approximate Nearest Neighbors. 其是针对大规模高维数据集进行快速最近邻搜索的优化算法库.
FLANN Matcher 需要设定两个字典参数，以指定算法和对应的参数，分别为 IndexParams 和 SearchParams.
[1] - IndexParams
使用 SIFT、SURF等描述子，可以传递如下：
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)使用 ORB 描述子是，可以传递如下：
index_params= dict(algorithm = FLANN_INDEX_LSH,
table_number = 6, # 12
key_size = 12, # 20
multi_probe_level = 1) #2[2] - SearchParams
参数指定了索引里的树应该被递归遍历的次数，值越高准确度越高，但计算耗时也更久.
search_params = dict(checks=100)6. SIFT 描述子和 Ratio Test 的 FLANN 匹配
import numpy as np
import cv2
from matplotlib import pyplot as plt
img1 = cv2.imread('box.png',0) # queryImage
img2 = cv2.imread('box_in_scene.png',0) # trainImage
# Initiate SIFT detector
sift = cv2.SIFT()
# find the keypoints and descriptors with SIFT
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)
# FLANN parameters
FLANN_INDEX_KDTREE = 0
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks=50) # or pass empty dictionary
flann = cv2.FlannBasedMatcher(index_params,search_params)
matches = flann.knnMatch(des1,des2,k=2)
# Need to draw only good matches, so create a mask
matchesMask = [[0,0] for i in xrange(len(matches))]
# ratio test as per Lowe's paper
for i,(m,n) in enumerate(matches):
if m.distance < 0.7*n.distance:
matchesMask[i]=[1,0]
draw_params = dict(matchColor = (0,255,0),
singlePointColor = (255,0,0),
matchesMask = matchesMask,
flags = 0)
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,**draw_params)
plt.imshow(img3)
plt.show()如：
