关键点描述符匹配：如何计算每个模板的拟合优度？

Question

我不确定这属于 stackoverflow 还是其他 stackexchange 站点 - 非常欢迎在这里输入。

我使用 python OpenCV 将目标图像的 BRISK 关键点描述符与三个不同的模板进行匹配。

什么是确定哪个模板最合适的实用、稳健、统计合理的方法？

现在我计算 cv2.findHomography 返回的 cv2.RANSAC 内点数（顺便说一下，它不会返回拟合优度统计数据）并采用具有最高数字的模板。

我查看了描述符距离的直方图，它们似乎总是以高斯为中心（奇怪地）在大约 105（单位？）。

https://en.wikipedia.org/wiki/Random_sample_consensus 似乎很有用。

非常感谢您的指导 - 谢谢！

Answer 1

这开始是一条评论，但有点太长了。

确实，OpenCV 会在内部计算重投影误差并且不返回它。但是一旦你获得了单应性，你可以自己做同样的事情，不是吗？ 事实上，该算法最小化了所有点的重投影误差之和。一个相当完整的过程描述在OpenCV docs

由于您有匹配项（因此源点和模板点的图像坐标）。您可以计算每个模板的平均重投影误差，可能只使用被视为内点的点，然后选择最低的一个。

来自另一个网站上的a similar answer：

computed_pt = H * source_pt
error_pt = sqrt( (computed_pt.x - dst_pt.x)*(computed_pt.x - dst_pt.x) + (computed_pt.y - dst_pt.y)*(computed_pt.y - dst_pt.y) )

计算两点之间的欧式距离。