特征匹配

在两张图像之间找出对应同一个物理点的特征点配对。

特征匹配是在两幅图像（或两片点云）之间找出对应同一物理点的特征对。经典流程是：先在每张图上提取特征点和描述子（如 SIFT、ORB）；再按描述子距离找最近邻，浮点描述子用欧氏距离，ORB 这类二进制描述子用汉明距离；接着用 David Lowe 提出的比值检验去掉模棱两可的匹配，即最近邻与次近邻的距离比太大就丢弃；最后用 RANSAC 拟合几何模型，剔除不符合的外点。近年 SuperGlue、LightGlue 等用注意力网络直接学习匹配，在视角和光照变化大时更可靠。匹配结果是相机位姿估计、三角化、视觉 SLAM 和运动恢复结构的基础。

例子苏黎世联邦理工的 LightGlue（ICCV 2023）在 SuperGlue 基础上改进，能根据图像对的难易自适应提前结束计算，两张图重叠多、外观变化小时匹配明显更快。

也叫

特征点匹配、对应点匹配、Keypoint Matching、Correspondence Matching

相关

特征点、随机采样一致性、SuperPoint / LightGlue、运动恢复结构、视觉SLAM、对极几何

来源

Wikipedia: Scale-invariant feature transform（含 Lowe 比值检验）
LightGlue: Local Feature Matching at Light Speed