工作需要用到FLANN特徵匹配技術，在這裏記錄一些關鍵知識點。
ORB (Oriented FAST and Rotated BRIEF) 算法簡介
分爲兩部分：
- 特徵點提取 -由FAST（Features from Accelerated Segment Test）算法發展來的
- 特徵點描述 -根據BRIEF（Binary Robust IndependentElementary Features）特徵描述算法改進的
暴力匹配（cv2.BFMatcher）
即兩兩匹配。該算法不做任何優化，假設ORB算法從圖片A中提取了m個特徵描述符，從圖片B中提取了n個特徵描述符。暴力匹配器將圖片A中m個描述符逐一和圖片B中的n個特徵描述符求距離，然後對得到的距離排序，取距離最近的一個作爲最佳匹配點，這種方法簡單粗暴，其結果也是顯而易見的，會有大量的錯誤匹配，這就需要使用一些機制來過濾掉錯誤的匹配（比如下面的Lowe’s算法）
cv2.BFMatcher參數說明：
normType：它是用來指定要使用的距離測試類型。默認值爲cv2.Norm_L2。這很適合SIFT和SURF等（c2.NORM_L1也可）。對於使用二進制描述符的ORB、BRIEF和BRISK算法等，要使用cv2.NORM_HAMMING，這樣就會返回兩個測試對象之間的漢明距離。如果ORB算法的參數設置爲WTA_K==3或4，normType就應該設置成cv2.NORM_HAMMING2。
crossCheck：使用交叉匹配的方法來濾除錯誤匹配，默認值爲False。若設置爲True，匹配條件就會更加嚴格，只有到圖片A中的第i個特徵點與圖片B中的第j個特徵點距離最近，反過來，還要圖片B中的第j個特徵點到圖片A中的第i個特徵點也是最近，纔會認爲他們是最佳匹配(i,j)並返回，即：這兩個特徵點要互相匹配才行。（你喜歡我，我也喜歡你，單戀可不行...）
暴力匹配器BFMatcher有兩個重要的方法，分別是BFMatcher.match() 和BFMatcher.knnMatch()。送入查詢圖片A和目標圖片B
match() 方法會爲圖片A從圖片B中找到最佳的單個匹配點；
而knnMatch()方法會爲圖片A從圖片B中找到最佳的前k個匹配點，k值由用戶指定。當我們需要做一些額外的工作時，這種方法會很有用。
Lowe’s算法：
爲了進一步篩選匹配點，獲取優秀的匹配點，即“去粗取精”。爲了排除因爲圖像遮擋和背景混亂而產生的無匹配關係的關鍵點，SIFT的作者Lowe提出了比較最近鄰距離與次近鄰距離的SIFT匹配方式：
取一幅圖像中的一個SIFT關鍵點，並找出其與另一幅圖像中歐式距離最近的前兩個關鍵點，在這兩個關鍵點中，如果最近的距離除以次近的距離得到的比率ratio少於某個閾值T，則接受這一對匹配點。因爲對於錯誤匹配，由於特徵空間的高維性，相似的距離可能有大量其他的錯誤匹配，從而它的ratio值比較高。顯然降低這個比例閾值T，SIFT匹配點數目會減少，但更加穩定，反之亦然。
Lowe推薦ratio的閾值爲0.8；
有網友對大量存在任意尺度、旋轉和亮度變化的兩幅圖片進行匹配，結果表明ratio取值在0. 4~0. 6 之間最佳，小於0. 4的很少有匹配點，大於0. 6的則存在大量錯誤匹配點，所以建議ratio的取值原則如下（僅供參考）:
ratio=0. 4：對於準確度要求高的匹配；
ratio=0. 6：對於匹配點數目要求比較多的匹配；
ratio=0. 5：一般情況下。
Lowe's改進：可以反過來使用最近鄰比次近鄰，在匹配中可以作爲置信度來使用，當滿足最近鄰比次近鄰大於某個值的時候，作爲某個條件的判別置信度；比如可以應用在雙目視覺立體匹配中的視差選擇與優化環節中（論文正在編寫中）；
下面博客提到了ORB（二值特徵編碼）如何跟FLANN結合使用（很詳細）
https://www.jianshu.com/p/42b61d42e0bc
需要修改的關鍵代碼如下：
FLANN_INDEX_LSH=6
indexParams=dict(algorithm=FLANN_INDEX_LSH,
table_number = 6, #12
key_size = 12, #20
multi_probe_level = 1)#2
searchParams=dict(checks=100)
GPU加速的orb算法相關博客（c++）：
https://blog.csdn.net/bisheng250/article/details/53691099
https://blog.csdn.net/dlphay/article/details/79021472
PyCUDA官方教程：
https://documen.tician.de/pycuda/ （英文）
https://blog.cycleuser.org/pycuda-tutorial-zhong-wen-ban.html （中文）
https://www.cnblogs.com/noluye/p/11517489.html
https://blog.csdn.net/qq_36387683/article/details/81075870 （pycuda和numba的比較）
https://blog.csdn.net/u013390476/article/details/82194709
利用深度學習來做特徵匹配：
論文筆記之：MatchNet: Unifying Feature and Metric Learning for Patch-Based Matching：
https://www.cnblogs.com/wangxiaocvpr/p/5515181.html
裏面關鍵一句：雙塔的輸出串聯在一起作爲度量網絡的輸入！
基於深度學習的圖像匹配技術專題
https://blog.csdn.net/aaron121211/article/details/78707215