如何使用OpenCV DescriptorMatcher匹配两组点集而非特征描述符？

答案是肯定的，但你需要把点集转换成DescriptorMatcher能处理的伪描述符格式——因为DescriptorMatcher的核心是处理向量形式的数据，而点的(x,y)坐标本身就是一种二维向量，完全可以当作描述符来用。

具体步骤： #

1. 将点集转为描述符矩阵
   把每个点的坐标转换成浮点型的矩阵，每行对应一个点的坐标（作为该点的“描述符”）。示例代码（C++）：

   // 假设pts1、pts2是vector<cv::Point2f>类型的输入点集
   cv::Mat desc1(pts1.size(), 2, CV_32F);
   cv::Mat desc2(pts2.size(), 2, CV_32F);
   
   for (size_t i = 0; i < pts1.size(); ++i) {
       desc1.at<float>(i, 0) = pts1[i].x;
       desc1.at<float>(i, 1) = pts1[i].y;
   }
   for (size_t i = 0; i < pts2.size(); ++i) {
       desc2.at<float>(i, 0) = pts2[i].x;
       desc2.at<float>(i, 1) = pts2[i].y;
   }
   

2. 选择匹配器执行匹配
   推荐用暴力匹配器（BruteForce），因为点坐标的匹配通常基于欧氏距离，暴力匹配直接计算所有点对的距离，逻辑简单直观。示例代码：

   cv::Ptr<cv::DescriptorMatcher> matcher = cv::DescriptorMatcher::create(cv::DescriptorMatcher::BRUTEFORCE);
   std::vector<cv::DMatch> matches;
   matcher->match(desc1, desc2, matches);
   

关键注意事项： #

• 这种匹配是基于原始坐标的欧氏距离匹配，如果两组点集存在旋转、缩放、平移等变换，直接匹配的结果会很差。这种情况下，你应该优先考虑OpenCV专门的点集配准算法，比如cv::findHomography（需初始匹配对）、cv::estimateAffinePartial2D，或者ICP（迭代最近点）算法。
• 若点集规模大，暴力匹配效率低，可以尝试FLANN匹配，但需要调整FLANN的参数以适配二维向量的匹配。
• 直接匹配得到的结果大概率包含错误匹配，需要做过滤：比如保留距离最小的前N个匹配，或者用RANSAC算法剔除异常对。

内容的提问来源于stack exchange，提问作者MarcoM