Sift特征点匹配过程

由步骤一我们已经获得了图片的特征点向量集合。现在来看看特征点匹配，特征点匹配的一个应用就是物体的识别，比如说我有2张图片A和B，图片的内容相同，只是图片的大小尺寸不同。假设A图片尺寸比较大，且我们已经采用sift算法对图片A和B都进行了检测，获得了它们的特征点集合，现在我们的问题是需要把A和B中相应的特征点给对应连线起来。

　　既然是匹配，当然每个特征点向量要相似才能匹配到一起，这里采用的是欧式距离来衡量其相似度。

　　对B中的特征点x，去寻找A中最相似的点y，最简单的方法就是拿x与A中所有点进行相似度比较，距离最小的那个为匹配点。但是如果图片中特征点数目很多的话，这样效率会很低。所以我们需要把A中特征点向量集合用一种数据结构来描述，这种描述要有利于x在A中的搜索，即减少时间复杂度。在sift匹配中，这种数据结构采用的是kd-tree。

　　关于kd-tree的讲解，可以参考博文http://underthehood.blog.51cto.com/2531780/687160

　　里面讲得比较详细，且举了例子，很容易理解，这里就没有必要重复了。

     同样，采用Rob Hess的代码做了个sift匹配的实验，开发环境与上面的一样。

     打开软件后，单击Open Image按钮，依次打开需要匹配的2张图片，如下图所示：

单击Sift Detect按钮，则程序会单独对这2幅图片进行sift特征点检测，结果如下图所示：

单击Sift Match按钮，则会对这2幅图的特征点结果进行匹配，本次实验的匹配图如下所示：