关键点描述符匹配：如何计算每个模板的拟合优度？
Keypoint Descriptor Matching: How to calculate a goodness-of-fit per template?
我不确定这是否属于 Whosebug 或其他 stackexchange 站点 - 非常欢迎在这里输入。
我已经使用 python OpenCV 将目标图像的 BRISK 关键点描述符匹配到 - 反过来 - 三个不同的模板。
确定哪个模板最合适的实用、稳健、统计可靠的方法是什么？
现在我计算 cv2.RANSAC 内点 return 由 cv2.findHomography 编辑的数量（顺便说一下，这不是 return 拟合优度统计数据）和取编号最高的模板。
我看过描述符距离的直方图，它似乎总是以高斯为中心（奇怪地）在大约 105（单位？）。
https://en.wikipedia.org/wiki/Random_sample_consensus 好像很有用
非常感谢指导 - 谢谢！
这开始是评论，但有点太长了。
事实上，OpenCV 会在内部计算重投影误差，而不是 return。但是一旦获得单应性，您就可以自己做同样的事情，不是吗？
事实上，该算法最小化了所有点的重投影误差之和。 OpenCV docs
中对该过程进行了相当完整的描述
因为你有匹配（因此源点和模板点的图像坐标）。您可以为每个模板计算平均重投影误差，可能只使用被视为内点的点，然后选择最低的一个。
来自另一个站点的a similar answer：
computed_pt = H * source_pt
error_pt = sqrt( (computed_pt.x - dst_pt.x)*(computed_pt.x - dst_pt.x) + (computed_pt.y - dst_pt.y)*(computed_pt.y - dst_pt.y) )
计算两点之间的欧氏距离。
我不确定这是否属于 Whosebug 或其他 stackexchange 站点 - 非常欢迎在这里输入。
我已经使用 python OpenCV 将目标图像的 BRISK 关键点描述符匹配到 - 反过来 - 三个不同的模板。
确定哪个模板最合适的实用、稳健、统计可靠的方法是什么？
现在我计算 cv2.RANSAC 内点 return 由 cv2.findHomography 编辑的数量（顺便说一下，这不是 return 拟合优度统计数据）和取编号最高的模板。
我看过描述符距离的直方图，它似乎总是以高斯为中心（奇怪地）在大约 105（单位？）。
https://en.wikipedia.org/wiki/Random_sample_consensus 好像很有用
非常感谢指导 - 谢谢！
这开始是评论，但有点太长了。
事实上，OpenCV 会在内部计算重投影误差，而不是 return。但是一旦获得单应性，您就可以自己做同样的事情，不是吗？ 事实上，该算法最小化了所有点的重投影误差之和。 OpenCV docs
中对该过程进行了相当完整的描述因为你有匹配（因此源点和模板点的图像坐标）。您可以为每个模板计算平均重投影误差，可能只使用被视为内点的点，然后选择最低的一个。
来自另一个站点的a similar answer：
computed_pt = H * source_pt
error_pt = sqrt( (computed_pt.x - dst_pt.x)*(computed_pt.x - dst_pt.x) + (computed_pt.y - dst_pt.y)*(computed_pt.y - dst_pt.y) )
计算两点之间的欧氏距离。