Question

我正在阅读很多使用特征提取（sift ecc）进行物体检测的帖子。

在两个图像上计算描述符之后，为了获得良好的匹配，他们使用了crossCheckMatching。（见sample/cpp/descritpor_extractor_matcher.cpp）

Coudl我理解为什么选择这个？

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，计算欧几里德距离并不会在两个方向上返回相同的结果？

Answer 1

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

无论如何，所有这些距离测量都是对称的，并且您使用哪一个来回答您的问题并不重要。

答案是：调用knnMatch(A,B)与调用knnMatch(B,A)不同。

如果你不相信我，我会尝试给你一个图形和直观的解释。为了简单起见，我假设knn==1，因此对于每个查询的描述符，算法只能找到1个对应关系（更容易绘制： - ）

我随机挑选了几个2D样本并创建了两个数据集（红色和绿色）。在第一个图中，绿色在查询数据集中，这意味着对于每个绿点，我们尝试找到最接近的红点（每个箭头代表一个对应关系）。

在第二个图中，查询＆amp;列车数据集已被交换。

最后，我还绘制了crossCheckMatching()函数的结果，该结果仅保留了双向匹配。

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

Answer 2

我没有处理您正在使用的确切模块，但是来自文档：

似乎第二个调用是使用查询交换训练，因此可以为您提供不同的结果集。这也通过match12的命名改为match21来暗示 - 它不是双向关联，而是方向关联。

您可以在机器学习中训练大型数据集时看到这一点，在这些数据集中，您可以在结果中训练一个数据子集，而不是在不同数据子集上进行训练。我不知道在您编写的步骤后如何使用这两个匹配，但我认为它允许选择最佳训练，或者从数据中捕获更好的协方差信息。

欧几里德距离在两个方向上是相同的，但双向量的排序发生变化，因此两个调用之间的关联结构发生变化（除非描述符1 == descriptors2，它们会形成对称矩阵，然后可能对于重复）。

稍后在代码库中发布match12和matches21的使用可能也会澄清两个方向关联的确切原因。

希望这为理解重复呼叫提供了一个起点。

* 编辑 *

我查看了您提供链接的源代码并回答了您的问题，两点之间的距离是相同的，但是特定点（点A）与另一个特定点（点B）的最近点不一定是可以反驳的陈述。因此B可能是最接近A的点，但A可能不是最接近B的点。

Frédéric的帖子以图形方式显示，并不是欧几里德距离在2点之间变化，而是在改变比较视角时，欧几里德距离最近的点可能会发生变化。因此，交叉检查可以验证共享最近点关系的点（A最接近B，B最接近A）。

你的直觉认为这不是最好的方法（有大量的点）是正确的，因为更复杂的方法可以在O（N * ln（N））时间内找到所有这样的关系而不是O（N ^ 2）时间 - 尤其是启发式驱动搜索。但是对于（相对）少量的点，预期的性能增益可以忽略不计，并且实现（很多是为了良好的改进）更复杂。