为什么我们需要crossCheckMatching的功能？(Why we need crossChe

我读很多岗位的使用特征提取（过筛ECC）目标检测。

其计算描述符的两幅图像，让他们使用crossCheckMatching精彩的比赛之后。（上发现的样品/ CPP / descritpor_extractor_matcher.cpp ）

我Coudl明白为什么这样选择？

为什么我们需要evalute两

descriptorMatcher->knnMatch( descriptors1, descriptors2, matches12, knn );
descriptorMatcher->knnMatch( descriptors2, descriptors1, matches21, knn );

我不明白。

计算例如Euclian距离不返回在两个方向相同的结果 ？

Answer 1:

你一般不能假设Eucludian距离将通过您的匹配使用。例如，BFMatcher支持不同的规范：L1，L2，海明...

你可以在这里查看文档了解更多信息： http://docs.opencv.org/modules/features2d/doc/common_interfaces_of_descriptor_matchers.html

总之，所有这些距离的措施是对称的，这不要紧，你用它来回答你的问题是哪一个。

答案是：调用knnMatch(A,B)是不一样的调用knnMatch(B,A)

如果你不相信我，我会尽力给你一个图形化和直观的解释。我承担简单起见，该knn==1 ，所以，对于每个查询的描述，该算法只能找到一一对应（绘制:-)容易得多

我随机挑选几个2D样本和创建了两个数据集（红色和绿色）。在第一个情节，果岭在查询数据集，这意味着，每个绿色点，我们试图找到最接近的红点（每个箭头代表的对应）。

在第二个情节，查询和训练数据集已被交换。

最后，我还绘制的结果crossCheckMatching()函数只节省了双向匹配。

正如你所看到的， crossCheckMatching()的输出小于各单knnMatch（X，Y）要好得多/ knnMatch（Y，X），因为只有最强的通信一直保持。

我还没有处理你使用的确切模块，但是从文档：

http://docs.opencv.org/modules/features2d/doc/common_interfaces_of_descriptor_matchers.html

看来，第二个呼叫交换与查询的训练，因此可以给你一个不同的结果集。这也由matches12变为matches21的命名暗示 - 这不是双向关联，但一个方向联想。

您在机器学习培训的大型数据集看，你在这里训练结果的数据的一个子集，提供了比对数据的不同子集训练有更好的表现。我不知道这两个比赛是怎么你写的步骤之后使用，但我想它允许最好的训练无论采用哪种方式，或用于捕获从数据更好的协方差信息。

欧几里德距离是在两个方向上是相同的，但双向量的排序变化和关联的，因此结构的两个电话之间的变化（除非descriptors1 == descriptors2，这将形成一个对称矩阵，然后可能是无用的重复）。

在后面的代码库发布matches12和matches21的用途很可能还澄清兼具方向协会的确切原因。

但愿这给了一个首发位置的理解重复呼叫。

* 编辑 *

我看着你提供的链接并在回答你的问题的源代码，远处是两分，但在特定点（A点）到另一特定点（B点）的最近点之间的相同不一定一个倒置，能够语句。因此B可以是最近点A，但也可以不将最近点B.

正如弗雷德里克的帖子图形化显示，这并不是说2点之间的欧几里得距离的变化，而是与最近的欧氏距离的点可以改变比较的角度来看，当发生改变。因此交叉检查可以验证共享最近点的关系（A是最接近于B和B是最接近A）点。

你的直觉，这是不是最好的方法（有大量的点）是正确的，虽然，作为一个更复杂的方法可以找到o所有这些关系（N * LN（N））的时间，而不是O（N ^ 2）时间 - 尤其是启发式搜索驱动。但是，对于一个（相对）少量的点的预期性能收益将是微不足道的，实现起来（多为良好的改善）更加复杂。

文章来源: Why we need crossCheckMatching for feature?