SIFT特征点匹配与消除错配：BBF，RANSAC

Step1: BBF算法，在KD-tree上找KNN。第一步做匹配咯~

1.       什么是KD-tree（from wiki）

K-Dimension tree，实际上是一棵平衡二叉树。

一般的KD-tree构造过程：

function kdtree (list of points pointList, int depth)

{

    if pointList is empty

        return nil;

    else {

        // Select axis based on depth so that axis cycles through all valid values

        var int axis := depth mod k;

        // Sort point list and choose median as pivot element

        select median by axis from pointList;

        // Create node and construct subtrees

        var tree_node node;

        node.location := median;

        node.leftChild := kdtree(points in pointList before median, depth+1);

        node.rightChild := kdtree(points in pointList after median, depth+1);

        return node;

    }

}

【例】pointList = [(2,3), (5,4), (9,6), (4,7), (8,1), (7,2)] tree = kdtree(pointList)

2.       BBF算法，在KD-tree上找KNN ( K-nearest neighbor)

BBF(Best Bin First)算法，借助优先队列（这里用最小堆）实现。从根开始，在KD-tree上找路子的时候，错过的点先塞到优先队列里，自己先一个劲儿扫到leaf；然后再从队列里取出目前key值最小的（这里是是ki维上的距离最小者），重复上述过程，一个劲儿扫到leaf；直到队列找空了，或者已经重复了200遍了停止。

Step1: 将img2的features建KD-tree; kd_root = kdtree_build( feat2, n2 );。在这里，ki是选取均方差最大的那个维度，kv是各特征点在那个维度上的median值，features是你率领的整个儿子孙子特征大军，n是你儿子孙子个数。

/** a node in a k-d tree */

struct kd_node{

     int ki;                      /**< partition key index */

     double kv;                   /**< partition key value */

     int leaf;                    /**< 1 if node is a leaf, 0 otherwise */

     struct feature* features;    /**< features at this node */

     int n;                       /**< number of features */