针对尺度不变特征变换(SIFT)描述子仅利用特征点的局部邻域灰度信息而对图像内具有相似灰度分布的特征点易产生误匹配的问题,提出一种基于典型相关分析(CCA)的SIFT误匹配剔除方法。该方法首先利用SIFT算法进行匹配,得到初始匹配对;然后根据典型相关成分的线性关系拟合直线,利用点到直线的距离剔除大部分误匹配点对;对剩余的匹配点对,逐一分析其对典型相关成分的共线性的影响,剔除影响程度大的特征点对。实验结果表明,该方法能够在剔除误匹配的同时保留更多的正确匹配,提高了图像配准的精度。

三维点云关键点配准与识别过程中存在寻找匹配对不理想、大量误匹配对及配准与识别准确率下降等问题,提出了一种新颖的关键点误匹配剔除方法。在关键点检测阶段, 基于边缘点及其邻域点大多分布在同侧的特性, 提出了一种边缘点检测算法, 剔除处于边缘的关键点, 以提高关键点的可重复性和可匹配性, 并降低关键点特征匹配的误匹配率。在关键点特征匹配阶段, 对经由最近邻算法得到的初始关键点匹配对, 通过Kmeans算法和分裂法, 剔除掉大量错误的关键点匹配对, 从而提高三维点云之间关键点的匹配率。实验结果表明, 该方法能够剔除完整三维点云匹配完整三维点云、完整三维点云匹配杂乱且有遮挡的三维点云、部分点云匹配部分点云所产生的大量关键点误匹配对, 提升了关键点匹配效果；同时在时间上, 本文算法较随机取样一致性算法更有效率, 是最邻近算法的有益补充。

本代码是特征匹配及误匹配的剔除，主要包括三种剔除方法 1.交叉匹配过滤 2.比率测试 3.单应性检测 详细介绍可以参考我的博客：https://www.cnblogs.com/feifanrensheng/p/9168627.html