FLANN匹配算法
目录
0 简介
一 算法的选择
1、 随机k-d树算法（The Randomized k-d TreeAlgorithm）
a. Classick-d tree
b. Randomizedk-d tree
2、 优先搜索k-means树算法（The Priority Search K-MeansTree Algorithm）
2.1 算法描述
3 、层次聚类树 （The Hierarchical ClusteringTree）
二 遍历次数
0 简介
FLANN是快速最近邻搜索包（Fast_Library_for_Approximate_Nearest_Neighbors）的简称。它是一个对大数据集和高维特征进行最近邻搜索的算法的集合，而且这些算法都已经被优化过了。在面对大数据集是它的效果要好于BFMatcher。
使用FLANN匹配，我们需要传入两个字典作为参数。这两个用来确定要使用的算法和其他相关参数等。
一 算法的选择
第一个是indexParams。配置我们要使用的算法
1、 随机k-d树算法（The Randomized k-d TreeAlgorithm）
a. Classick-d tree
找出数据集中方差最高的维度，利用这个维度的数值将数据划分为两个部分，对每个子集重复相同的过程。
参考http://www.cnblogs.com/eyeszjwang/articles/2429382.html。
b. Randomizedk-d tree
建立多棵随机k-d树，从具有最高方差的N_d维中随机选取若干维度，用来做划分。在对随机k-d森林进行搜索时候，所有的随机k-d树将共享一个优先队列。
增加树的数量能加快搜索速度，但由于内存负载的问题，树的数量只能控制在一定范围内，比如20，如果超过一定范围，那么搜索速度不会增加甚至会减慢
2、 优先搜索k-means树算法（The Priority Search K-MeansTree Algorithm）
随机k-d森林在许多情形下都很有效，但是对于需要高精度的情形，优先搜索k-means树更加有效。 K-means tree 利用了数据固有的结构信息，它根据数据的所有维度进行聚类，而随机k-d tree一次只利用了一个维度进行划分。
2.1 算法描述
步骤1 建立优先搜索k-means tree:
(1) 建立一个层次化的k-means 树；
(2) 每个层次的聚类中心，作为树的节点；
(3) 当某个cluster内的点数量小于K时，那么这些数据节点将做为叶子节点。
步骤2 在优先搜索k-means tree中进行搜索：
(1) 从根节点N开始检索；
(2) 如果是N叶子节点则将同层次的叶子节点都加入到搜索结果中，count += |N|；
(3) 如果N不是叶子节点，则将它的子节点与query Q比较，找出最近的那个节点Cq，同层次的其他节点加入到优先队列中；
(4) 对Cq节点进行递归搜索；
(5) 如果优先队列不为空且 count<L，那么从取优先队列的第一个元素赋值给N，然后重复步骤(1)。
聚类的个数K，也称为branching factor 是个非常主要的参数。
建树的时间复杂度 = O( ndKI ( log(n)/log(K) )) n为数据点的总个数，I为K-means的迭代次数。搜索的时间复杂度 = O( L/K * Kd * ( log(n)/(log(K) ) ) = O(Ld ( log(n)/(log(K) ) )。
3 、层次聚类树 （The Hierarchical ClusteringTree）
层次聚类树采用k-medoids的聚类方法，而不是k-means。即它的聚类中心总是输入数据的某个点，但是在本算法中，并没有像k-medoids聚类算法那样去最小化方差求聚类中心，而是直接从输入数据中随机选取聚类中心点，这样的方法在建立树时更加简单有效，同时又保持多棵树之间的独立性。
同时建立多棵树，在搜索阶段并行地搜索它们能大大提高搜索性能（归功于随机地选择聚类中心，而不需要多次迭代去获得更好的聚类中心）。建立多棵随机树的方法对k-d tree也十分有效，但对于k-means tree却不适用。
比如我们使用SIFT，我们可以传入参数：
index_params=dict(algorithm = FLANN_INDEX_KDTREE，trees=5)
二 遍历次数
第二个字典是SearchParams。它用来指定递归遍历的次数。值越高结果越准确，但是消耗的时间也越多。如果想修改这个值，可以传入参数：
search_params=dict( checks = 10)
具体python代码：
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img1 = cv.imread('img/box.png', 0)
img2 = cv.imread('img/box_in_scene.png', 0)
def sift_flann_demo():
sift = cv.xfeatures2d.SIFT_create()
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
#指定算法
FLANN_INDEX_KDTREE = 0
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks = 50) #指定递归次数
flann = cv.FlannBasedMatcher(index_params, search_params)
matches = flann.knnMatch(des1, des2, k=2)
# Need to draw only good matches, so create a mask
matchesMask = [[0, 0] for i in range(len(matches))]
# ratio test as per Lowe's paper
for i,(m, n) in enumerate(matches):
if m.distance < 0.7 * n.distance:
matchesMask[i] = [1, 0]
draw_params = dict(matchColor = (0, 255, 0),
singlePointColor = (255, 0, 0),
matchesMask = matchesMask,
flags = 0)
img3 = cv.drawMatchesKnn(img1, kp1, img2, kp2, matches, None, **draw_params)
cv.namedWindow('img',cv.WINDOW_AUTOSIZE)
cv.imshow('img',img3)
sift_flann_demo()
cv.waitKey(0)
cv.destroyAllWindows()结果：
