探测器，提取器和匹配器的分类
我是新来的opencv，并试图实现两个图像之间的图像匹配。 为此，我试图理解特征描述符，描述符提取器和描述符匹配器之间的区别。 我遇到了很多条款，并试图在opencv文档网站上阅读有关条款，但我似乎无法将我的头围绕概念。 我明白了这里的基本区别。 特征检测与描述符提取的区别
但是在研究这个话题的时候我碰到了下面这些术语：
FAST，GFTT，SIFT，SURF，MSER，STAR，ORB，BRISK，FREAK，BRIEF
我明白FAST，SIFT，SURF是如何工作的，但似乎无法弄清楚上面哪些只是检测器，哪些是提取器。
然后是匹配器。
FlannBased，BruteForce，knnMatch和其他一些可能。
经过一番阅读后，我发现某些匹配器只能用于某些提取器，如此处所述。 OpenCV ORB特征检测器如何工作？ 给出的分类是相当清楚的，但只有几个提取器，我不明白浮动和uchar之间的区别。
所以基本上，可以请一个人
- 如上所述，根据float和uchar分类检测器，提取器和匹配器的types，还是其他types的分类？
- 解释float和uchar分类之间的差别还是使用哪种分类？
- 提及如何初始化（代码）各种types的检测器，提取器和匹配器？
我知道它要求很多，但我会非常感激。 谢谢。
我明白FAST，SIFT，SURF是如何工作的，但似乎无法弄清楚上面哪些只是检测器，哪些是提取器。
基本上，从特征检测器/提取器列表（链接到文章： FAST ， GFTT ， SIFT ， SURF ， MSER ， STAR ， ORB ， BRISK ， FREAK ， BRIEF ），其中一些仅仅是特征检测器（ FAST，GFTT ）特征检测器和描述符提取器（ SIFT，SURF，ORB，FREAK ）。
如果我没有记错的话， BRIEF只是一个描述符提取器，所以它需要使用FAST或ORB等其他algorithm检测到的特征。
为了确定哪个是哪个，您必须浏览与该algorithm相关的文章，或者浏览opencv文档以查看哪些是针对FeatureDetector类实现的，哪些针对DescriptorExtractor类。
Q1：如上所述，根据float和uchar分类检测器，提取器和匹配器的types，还是其他types的分类？
Q2：解释float和uchar分类之间的区别还是使用哪种分类？
关于问题1和2 ，要将它们分类为float和uchar， 你已经发布的链接是我所知道的最好的参考，也许有人能够完成它。
问题3：提及如何初始化（编码）各种types的探测器，提取器和匹配器？
回答问题3 ，OpenCV使得代码使用各种types – 主要是你必须select一个特征检测器。 大部分区别在于select匹配器的types，而您已经提到了OpenCV所具有的3个。 这里最好的select是阅读文档， 代码示例以及相关的Stack Overflow问题。 此外，一些博客文章是一个很好的信息来源，像这些由Ievgen Khvedchenia的function检测器基准系列 （博客不再可用，所以我不得不从谷歌caching创build原始文本副本）。
匹配器用于查找描述符是否与列表中的另一个描述符类似。 您可以将您的查询描述符与列表中的所有其他描述符（ BruteForce ）进行比较，也可以使用更好的启发式（ FlannBased，knnMatch ）。 问题是启发式不适用于所有types的描述符。 例如，FlannBased实现只用于float描述符，不能用于uchar （但是从2.4.0开始，FlannBased with LSH index可以应用于uchar描述符）。
引用这个App-Solut关于DescriptorMatchertypes的博客文章 ：
DescriptorMatcher有“FlannBased”，“BruteForceMatcher”，“BruteForce-L1”和“BruteForce-HammingLUT”等品种。 “FlannBased”匹配器使用引擎盖下的flann（近似最近邻居的快速库）来执行更快但近似的匹配。 “BruteForce- *”版本彻底地search字典，以find图像特征与字典中单词的最接近的匹配。
一些更受欢迎的组合是：
特征探测器/描述符提取器/匹配器types
-
（FAST，SURF）/ SURF / FlannBased
-
（FAST，SIFT）/ SIFT / FlannBased
-
（FAST，ORB）/ ORB /暴力
-
（FAST，ORB）/ BRIEF / Bruteforce
-
（FAST，SURF）/ FREAK / Bruteforce
您可能还注意到特征检测器中有几个适配器（dynamic，金字塔，网格） 。 App-Solut博客文章很好地总结了他们的用法：
（…），还有一些适配器可以用来改变关键点检测器的行为。 例如
Dynamic适配器，其调整检测器types特定的检测阈值，直到在图像中find足够的关键点或者构造高斯金字塔以检测多个尺度上的点的Pyramid适配器。Pyramid适配器对于不是尺度不变的特征描述符非常有用。
进一步阅读：
-
Yu Lu的这篇博客文章对SIFT，FAST，SURF，BRIEF，ORB，BRISK和FREAK做了很好的总结。
-
Gil Levi的这些系列文章也对这些algorithm（BRIEF，ORB，BRISK和FREAK）做了详细的总结。
