Xfeatures2d_match

関数
CV_EXPORTS_W void	cv::xfeatures2d::matchGMS (const Size &size1, const Size &size2, const std::vector< KeyPoint > &keypoints1, const std::vector< KeyPoint > &keypoints2, const std::vector< DMatch > &matches1to2, CV_OUT std::vector< DMatch > &matchesGMS, const bool withRotation=false, const bool withScale=false, const double thresholdFactor=6.0)
	GMS(Grid-based Motion Statistics)特徴マッチング戦略で説明されている[Bian2017gms] を参照してください。.[【詳解】（英語］
CV_EXPORTS_W void	cv::xfeatures2d::matchLOGOS (const std::vector< KeyPoint > &keypoints1, const std::vector< KeyPoint > &keypoints2, const std::vector< int > &nn1, const std::vector< int > &nn2, std::vector< DMatch > &matches1to2)
	LOGOS(Local geometric support for high-outlier spatial verification)の特徴量マッチング戦略は以下の通りです。[ローリー2018LOGOSLG】を参照してください。］.[【詳解】（英語］

詳解

関数詳解

matchGMS()

CV_EXPORTS_W void cv::xfeatures2d::matchGMS	(	const Size &	size1,
		const Size &	size2,
		const std::vector< KeyPoint > &	keypoints1,
		const std::vector< KeyPoint > &	keypoints2,
		const std::vector< DMatch > &	matches1to2,
		CV_OUT std::vector< DMatch > &	matchesGMS,
		const bool	withRotation = false,
		const bool	withScale = false,
		const double	thresholdFactor = 6.0
	)

GMS(Grid-based Motion Statistics)特徴マッチング戦略で説明されている[Bian2017gms] を参照してください。.

引数

size1	画像1の入力サイズ。
size2	image2のサイズを入力．
keypoints1	画像1のキーポイントを入力．
keypoints2	画像2のキーポイントを入力．
matches1to2	Input 1-nearest neighbor matches.
matchesGMS	GMSマッチングストラテジーによって返されるマッチ。
withRotation	回転変換を考慮します。
withScale	スケール変換を考慮します。
thresholdFactor	高ければ高いほど，マッチ数は少なくなります．

覚え書き

GMSは特徴の数が多いときによく機能するので、特徴をORBフィーチャーを使用し、FastThresholdを0に設定すると、できるだけ多くのフィーチャーを素早く取得できます。マッチング結果が満足のいくものでない場合は、さらに特徴量を追加してください。(640 X 480の画像では10000を使用しています)。画像の回転やスケールが大きく変化する場合は、withRotationやwithScaleをtrueに設定してください。

matchLOGOS()

CV_EXPORTS_W void cv::xfeatures2d::matchLOGOS	(	const std::vector< KeyPoint > &	keypoints1,
		const std::vector< KeyPoint > &	keypoints2,
		const std::vector< int > &	nn1,
		const std::vector< int > &	nn2,
		std::vector< DMatch > &	matches1to2
	)

LOGOS(Local geometric support for high-outlier spatial verification)の特徴量マッチング戦略は以下の通りです。[ローリー2018LOGOSLG】を参照してください。］.

引数

keypoints1	画像1のキーポイントを入力．
keypoints2	画像2のキーポイントを入力．
nn1	image1の各ディスクリプタに最も近いBoWセントロイドへのインデックス。
nn2	画像2の各記述子について、最も近いBoWセントロイドへのインデックス。
matches1to2	LOGOSのマッチングストラテジーで返されるマッチ。

覚え書き

この照合方法は、大規模なデータベースに対する特徴照合に適している。最初のステップは、代表的な画像データベースから単語の袋（BoW）を構築することである。画像記述子は、最も近いコードベクトル（直近のBoWセントロイド）で表されます。