直接结论：小规模特征点（比如每张图<1000个）选BFMatcher，大规模选FlannBasedMatcher；BFMatcher精度高、速度慢，适合ORB/SIFT等需严格匹配的场景，且须配对normType（NORM_HAMMING/NORM_L2）和crossCheck；FLANN速度快、近似匹配，适合实时性要求高的SIFT/SURF大规模匹配。
OpenCV的cv::BFMatcher和cv::FlannBasedMatcher怎么选
直接结论：小规模特征点（比如每张图 cv::KeyPoint）用 cv::BFMatcher 更稳；中大规模（尤其 SIFT/SURF 描述子）优先选 cv::FlannBasedMatcher，但必须确保描述子类型匹配——cv::FlannBasedMatcher 默认只支持 CV_32F，而 ORB 输出的是 CV_8U，硬传会崩溃或返回空匹配。
实操建议：
- ORB 特征 + 描述子：先用
cv::L2<float></float>包装成 float 类型，或改用cv::BFMatcher(cv::NORM_HAMMING, true) - SIFT/SURF 描述子：直接用
cv::FlannBasedMatcher，但初始化时显式指定cv::flann::IndexParams和cv::flann::SearchParams，避免默认参数在不同 OpenCV 版本间行为不一致 - 匹配前务必检查
descriptors1和descriptors2的type()和rows，常见错误是某张图没提取到特征，导致 descriptors 为空矩阵，后续match()报OpenCV(4.x): error: (-215:Assertion failed) queryDescriptors.type() == trainDescriptors.type()
匹配结果里哪些DMatch算“靠谱”
OpenCV 不自动过滤误匹配，cv::DMatch 的 distance 字段只是原始距离，不能直接按阈值截断。真实场景下，distance 这类固定阈值几乎无效——它严重依赖描述子维度和归一化方式。
更可靠的做法是使用比值测试（Lowe’s ratio test）：
立即学习“C++免费学习笔记（深入）”；
- 对每个查询点，取最近邻
d1和次近邻d2，只保留满足d1 的匹配（系数 0.7~0.8 是经验值，光照/视角变化大时可调到 0.6） - OpenCV 提供了
matcher.knnMatch()接口，返回每个点的 top-k 匹配，k 至少为 2 - 注意：ORB 描述子用汉明距离，SIFT 用欧氏距离，比值测试依然适用，但不要混用距离类型做跨算法比较
cv::findHomography拟合单应矩阵时为什么总失败
常见现象是 cv::findHomography 返回空矩阵或全零矩阵，根本原因不是函数问题，而是输入点对质量太差：要么数量不足（至少 4 对），要么内点比例过低（RANSAC 默认 100 次迭代，若 50% 以上是外点，大概率拟合失败）。
提升成功率的关键步骤：
- 先用比值测试筛一轮，再对剩余匹配做
cv::KeyPoint::convert()转成std::vector<:point2f></:point2f> - 调用
cv::findHomography时显式传参：cv::RANSAC+reprojThreshold=3.0（像素级容错，太大则保假点，太小则丢真点） - 检查返回的
mask输出参数，它是cv::Mat类型的 8U 单通道矩阵，用cv::countNonZero(mask)看内点数，低于总匹配数 30% 就得回溯查前面步骤 - 如果图像有明显尺度/旋转差异，SIFT 比 ORB 更鲁棒；纯纹理缺失场景（如白墙），考虑加
cv::AgastFeatureDetector补充角点
如何避免匹配后画线全是“飞线”
画匹配线时直接用原始 keypoints1 和 keypoints2 的 pt 成员，看似简单，但容易忽略坐标系一致性问题：如果第二张图做过缩放、ROI 裁剪或 cvtColor 转换，其关键点坐标仍是相对于原图左上角的，而你画图用的可能是 ROI 后的 Mat，导致线条错位。
安全做法：
- 所有关键点检测、描述子计算、匹配，都在同一份图像数据生命周期内完成，避免中间修改 Mat 数据但没更新关键点
- 画图前统一做坐标变换：若
img2是从src2取的cv::Rect(100,100,300,300)，则keypoint2.pt需减去cv::Point2f(100,100) - 用
cv::drawMatches时传入正确的matchesMask（来自findHomography的 mask），否则画出的全是未验证的原始匹配
真正麻烦的从来不是匹配本身，而是特征点在图像 pipeline 中的坐标漂移——它不会报错，只会让你花两小时调线，最后发现是 ROI 没对齐。
