Question

我需要知道这个算法是否已知：

void getMatches(IpVec &ipts1, IpVec &ipts2, IpPairVec &matches, float ratio) {
    float dist, d1, d2;
    Ipoint *match;

    matches.clear();

    for (unsigned int i = 0; i < ipts1.size(); i++) {
        d1 = d2 = FLT_MAX;

        for (unsigned int j = 0; j < ipts2.size(); j++) {
            dist = ipts1[i] - ipts2[j];

            if (dist < d1) // if this feature matches better than current best
            {
                d2 = d1;
                d1 = dist;
                match = &ipts2[j];
            } else if (dist < d2) // this feature matches better than second best
            {
                d2 = dist;
            }
        }

        // If match has a d1:d2 ratio < 0.65 ipoints are a match
        if (d1 / d2 < ratio) {
            // Store the change in position
            ipts1[i].dx = match->x - ipts1[i].x;
            ipts1[i].dy = match->y - ipts1[i].y;
            matches.push_back(std::make_pair(ipts1[i], *match));
        }
    }
}

class Ipoint {
public:

    //! Destructor

    ~Ipoint() {
    };

    //! Constructor

    Ipoint() : orientation(0) {
    };

    //! Gets the distance in descriptor space between Ipoints

    float operator-(const Ipoint &rhs) {
        float sum = 0.f;
        for (int i = 0; i < 64; ++i) {
            //std::cout << i << "\n";
            try {
                sum += (this->descriptor[i] - rhs.descriptor[i])*(this->descriptor[i] - rhs.descriptor[i]);
            } catch (char *str) {
                std::cout << "Caught some other exception: " << str << "\n";
            }

        }
        return sqrt(sum);
    };

    //! Coordinates of the detected interest point
    float x, y;

    //! Detected scale
    float scale;

    //! Orientation measured anti-clockwise from +ve x-axis
    float orientation;

    //! Sign of laplacian for fast matching purposes
    int laplacian;

    //! Vector of descriptor components
    float descriptor[64];

    //! Placeholds for point motion (can be used for frame to frame motion analysis)
    float dx, dy;

    //! Used to store cluster index
    int clusterIndex;
};

这比较了SURF算法的结果。

这是最近邻算法？看起来func正在搜索每个点的最近点。
我可以使用Quadtree或kd-tree进行相同的操作吗？
有一种更好的算法可以与图像点进行比较并知道它们是相同还是相似？
我希望将它们存储到mysql中并构建一个kd树来比较所有图像中的1张图像，这是可能的吗？
RANSAC对此任务中的任何内容都有用吗？
有任何方法可以捕捉误报吗？

Answer 1

你问了很多问题，我认为我不能回答所有这些问题，但这里尽可能回答你的问题。

这绝对是最近邻算法，其目标是找到第一个向量中每个点的两个最近点，然后检查它们的距离比是否小于某个截止值。
您可以使用四叉树或kd树执行此操作，但由于您的点都是一维值，因此您可以使用平衡二叉搜索树做得更好。给定这样一棵树，如果你通过节点线程化一个链表，你可以通过在二叉搜索树中查找最接近的元素p找到k个最近邻居到某个测试点p，然后遍历各个步骤（k + 1）方向并取你所发现的k个最近点。这在时间O（lg n + k）中运行，其中n是点数，k如上所述。这比现在的效率要高得多，每次查找需要O（n）次。

如果特征向量的维度大于1但小于20，那么使用kd树将是一个非常有效的度量。

对于更高的维度，您可能希望在应用kd树之前使用PCA减少维数，或者使用更具伸缩性的ANN结构，例如局部敏感的散列。
SURF最适合场景和物体检测。如果您需要确定两个图像是否相同，那么使用全局描述符算法（例如GIST）可以做得更好。使用全局描述符的优点是，您可以获得整个图像的单个矢量，并使用简单的Eucledian距离执行图像比较。
你绝对可以使用MySQL来做这件事，因为你不需要kd-tree。一个简单的平衡二叉树就足够了。
RANSAC是一种估算对异常值具有鲁棒性的模型参数的方法。使用SURF功能将多张照片组合成3D场景非常有用。
检查误报肯定是一个机器学习练习，我在那个领域没有受过良好的训练。您可以使用有监督的学习算法（例如SVM，提升决策树或神经网络）来做到这一点，但我不知道如何建议您。

希望这有帮助！

Answer 2

我将回答5，因为templatetypedef解决了其余问题。 RANSAC是一种参数估计方法（有点像找到最适合一组数据点的线）。所以它在最近邻搜索中没有直接用处。

解释这个算法（比较SURF算法中的点）

2 个答案: