匹配多幅图像时的SIFT特征匹配性能

Question

我有一个图像库，有大约5000个图像和大约150个特征。现在我有了另一个具有大约300个特征的图像，我想在我的库中找到5个最相似的图像。

暴力破解大约需要300 * 5000 * 150 * 128次操作，耗时太长。因此，我为我的库中每个图像中的特征构建了一个kd-tree，这意味着大约5000个kd-tree。像其他sift库一样，我使用bbf search表示近似最近的邻居。但是性能比我的蛮力算法还要慢。为了确保这不是我的实现的错误，我修改了其他库的匹配算法，以暴力破解，它们的性能也得到了提高。

我的问题是，有没有可能将~5000kd- tree组合成一棵树？或者，有没有其他方法可以在匹配多个图像的同时提高性能？

Answer 1

你可以考虑使用Locality Sensitive Hashing，如果不是100%准确的话，它应该会快得多。