Question

我的项目是基于android的草药识别。我使用ORB获取关键点，功能和匹配功能。

我想使用这个算法：

我使用4个参考图像，并将它们的特征image1与image1,1-2,1-3,1-4,2-3,3,4相匹配。
然后我将最小和最大距离存储到数据库作为阈值。（最小阈值=总最小值/ 6）
当我识别出新图像时，我将新的最小和最大距离与数据库进行比较。但我不知道该怎么做。

{

for (j=MinID; j<=MaxID; j++){
                        MatOfDMatch matches = DetectUtility.match(features, matFromJson(DB.GetORBFitur(j)));
                        List<DMatch> matchesList = matches.toList();
                        Double max_dist = 0.0;
                        Double min_dist = 100.0;
                        for (int i = 0; i < matchesList.size(); i++){
                            Double dist = (double) matchesList.get(i).distance;
                            if (dist < min_dist && dist != 0){
                                min_dist = dist;
                            }
                            if (dist > max_dist){
                                max_dist = dist;
                            }
                        }

从this site，我得到了这段代码：

//-- Draw only "good" matches (i.e. whose distance is less than 3*min_dist )
std::vector< DMatch > good_matches;

for( int i = 0; i < descriptors_object.rows; i++ )
{ if( matches[i].distance < 3*min_dist )
 { good_matches.push_back( matches[i]); }
}

如何获得神奇数字3？我必须对最大距离做些什么？

我想使用的algoritma，我之前使用过Invariant Moment，以及City Block Distance来匹配最小距离的图像。

Answer 1

我也不知道。距离是特征点相似度的度量，越少越好。 original ORB paper（下面的图5）显示了好的和坏的匹配距离的分布。人们可以肯定地说，＃34;好＆＃34;距离阈值约为64。 Distance distribution for ORB

更正确的是：

double dist_th = 64;
for( int i = 0; i < descriptors_object.rows; i++ )
{ if( matches[i].distance < dist_th )
 { good_matches.push_back( matches[i]); }
}

然后你仍然需要使用RANSAC来过滤不一致的匹配。因此，最简单的解决方案是将查询图像与所有4个数据库图像进行匹配。

但是我建议你使用一些分类器，而不仅仅是匹配。看到这个人的方法（它有效，我认识他） - http://cmp.felk.cvut.cz/~sulcmila/

将ORB功能与阈值匹配

1 个答案: