我正在使用特征提取（sift，orb）进行物体检测。
我想从对象的不同视角（训练图像）中提取ORB特征，然后将所有这些特征与查询图像进行匹配。
我面临的问题是：如何从不同角度的关键点创建一个良好的单应性，这些关键点当然具有不同大小的图像？
我正在考虑为每个火车图像创建一个单应性图像，然后计算3-4个匹配，然后计算一些“均值”单应...
当您例如说每个火车图像只有1-2个匹配时出现问题，此时您无法创建甚至1个单应性
创建单应性的代码
//> For each train images with at least some good matches ??
H = findHomography( train, scene, CV_RANSAC );
perspectiveTransform( trainCorners, sceneCorners, H);
答案 0 :(得分：8)
我认为没有必要这样做，因为当你谈论单应性时，一对图像A和B与一对图像B和C无关。您将获得不同的良好匹配和不同的单应性集合，但是单应性将是无关的，并且没有错误最小化将有一点。
所有最小化必须在考虑图像对的匹配，关键点和描述符内。
有一个类似于你在FREAK描述符中提出的想法。您可以使用一组图像训练选定的对。这意味着FREAK将根据一组图像决定提取描述符的最佳模式。在这次训练之后，你应该找到更强大的数学，这将给你一个更好的单应性。
答案 1 :(得分：4)
要找到良好的单应性，您需要准确匹配关键点。你需要4场比赛。
最常见的方法是DLT与RANSAC结合使用。 DLT是一种线性变换，可以找到将您的关键点投射到场景中的单应性3x3矩阵。 RANSAC找到满足数学模型的最佳内点/异常值集，因此它将找到最佳4点作为DLT的输入。
修改
您需要找到强大的关键点。 SIFT注定要做到这一点，规模和视角不变。我不认为你需要训练不同的图像。寻找平均单应性没有意义。您需要为检测到的对象找到唯一的单应性，并且单应性将是标记与检测到的对象之间的转换。 Homography是精确的，没有必要找到一个平均值。
答案 2 :(得分：1)
您是否尝试过从对象视图中获取关键点的方法：train_kps_1，train_kps_2 ...然后将这些数组与场景匹配，然后从这几个数组中选择最佳匹配，从而产生单个良好匹配数组。最后使用该结果找到单应性作为“火车”。
这里的关键是如何选择最佳匹配，这是一个不同的问题，你可以在这里找到一个不错的回答：
http://answers.opencv.org/question/15/how-to-get-good-matches-from-the-orb-feature/
也许在这里：