特征匹配的精度是多少，比对如今人脸识别的精确度已经高达多少以上

1，比对如今人脸识别的精确度已经高达多少以上

人脸识别的精确度可以达到72%，相似度超过72%就表示识别成功。甚至更高，因为采用百度深度AI学习算法，加上宽动态红处摄像头，对人脸有精准的一个抓拍。人脸识别技术主要是通过人脸图像特征的提取与对比来进行的。人脸识别系统将提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。

比对如今人脸识别的精确度已经高达多少以上

2，如何增加orb特征匹配的准确度

感觉只能找个相对而言环境比较复杂，光线不太强烈的场景才能保证了……ORB的Tracking那部分的relocalization就有将当前帧与keyframedatabase内的关键帧比较的部分，里面用searchbyBow和ORBmatcher的部分来进行帧的比较，但是在比较干净宽敞的场景里有时候匹配的点数很少，筛选之后得到的帧就更少了……但是在复杂的场景里匹配成功率和准确度就有明显上升，而且说到底ORB的特征匹配也是平面图像的匹配，顶多再有个searchhbyprojection等通过投影的方式寻求匹配点来提高匹配率，如果要再提高准确度的话感觉需要用ORB运行过程加入点云，在匹配时使用ICP点云配准计算位姿的方法来提高匹配得到的准确度了……

如何增加orb特征匹配的准确度

3，立体视觉的二计算机

一般而言，立体视觉的研究有如下三类方法:(1) 直接利用测距器（如激光测距仪）获得程距（range data）信息，建立三维描述的方法;(2) 仅利用一幅图象所提供的信息推断三维形状的方法;(3) 利用不同视点上的，也许是不同时间拍摄的，两幅或更多幅图象提供的信息重构三维结构的方法。第一类方法，也就是程距法 (range data method)，根据已知的深度图，用数值逼近的方法重建表面信息，根据模型建立场景中的物体描述，实现图象理解功能。这是一种主动方式的立体视觉方法，其深度图是由测距器(range finders)获得的，如结构光(structured light)、激光测距器(laser range finders) 等其他主动传感技术 (active sensing techniques)。这类方法适用于严格控制下的环境(tightlycontrolled domains)，如工业自动化的应用方面。第二类方法，依据光学成象的透视原理及统计假设，根据场景中灰度变化导出物体轮廓及表面，由影到形(shape from shading)，从而推断场景中的物体。线条图的理解就是这样的一个典型问题，曾经引起了普遍的重视而成为计算机视觉研究领域的一个焦点，由此产生了各种各样的线条标注法。这种方法的结果是定性的，不能确定位置等定量信息，该方法由于受到单一图象所能提供信息的局限性，存在难以克服的困难。第三类方法，利用多幅图象来恢复三维信息的方法，它是被动方式的。根据图象获取方式的区别又可以划分成普通立体视觉和通常所称的光流(optical flow)两大类。普通立体视觉研究的是由两摄像机同时拍摄下的两幅图象，而光流法中研究的是单个摄像机沿任一轨道运动时顺序拍下的两幅或更多幅图象。前者可以看作后者的一个特例，它们具有相同的几何构形，研究方法具有共同点。双目立体视觉是它的一个特例。立体视觉的研究由如下几部分组成:(1) 图象获取 (image acquisition),用作立体视觉研究的图象的获取方法是多种多样的，在时间、视点、方向上有很大的变动范围，直接受所应用领域的影响。立体视觉的研究主要集中在三个应用领域中，即自动测绘中的航空图片的解释，自主车的导引及避障，人类立体视觉的功能模拟。不同的应用领域涉及不同类的景物，就场景特征的区别来分，可以划分成两大类，一类是含有文明特征(cultural features)的景物，如建筑、道路等; 另一类是含有自然特征的景物和表面(natural objects and surfaces)，如山、水、平原及树木等。不同类的景物的图象处理方法大不相同，各有其特殊性。总之，与图象获取相关的主要因素可归纳如下:(a) 场景领域 (scene domain)，(b) 计时 (timing)，(c) 时间（照明和阴影）(time of day (lighting and presence ofshadows))，(d) 成像形态（包括特殊的遮盖）(photometry (including special coverage)),(e) 分辨率 (resolution),(f) 视野 (FIELD OF VIEW),(g) 摄像机的相对位置 (relative camera positioning).场景的复杂程度受如下因素的影响:(a) 遮掩 (occlusion),(b) 人工物体（直的边界,平的表面) (man-made objects (straight edge, flat surfaces)),(c) 均匀的纹理区域 (smoothlytextured areas),(d) 含有重复结构的区域 (areas containing repetitive structure)。(2) 摄像机模型 (camera modeling),摄像机模型就是对立体摄像机组的重要的几何与物理特征的表示形式，它作为一个计算模型，根据对应点的视差信息，用于计算对应点所代表的空间点的位置。摄像机模型除了提供图象上对应点空间与实际场景空间之间的映射关系外，还可以用于约束寻找对应点时的搜索空间，从而降低匹配算法的复杂性，减小误匹配率。(3) 特征抽取 (feature acquisition),几乎是同一灰度的没有特征的区域是难以找到可靠匹配的，因而，绝大部分计算机视觉中的工作都包括某种形式的特征抽取过程，而且特征抽取的具体形式与匹配策略紧密相关。在立体视觉的研究中，特征抽取过程就是提取匹配基元的过程。(4) 图象匹配 (image matching),图象匹配是立体视觉系统的核心，是建立图象间的对应从而计算视差的过程，是极为重要的。(5) 深度计算 (distance(depth) determination),立体视觉的关键在于图象匹配，一旦精确的对应点建立起来，距离的计算相对而言只是一个简单的三角计算而已。然而，深度计算过程也遇到了显著的困难，尤其是当对应点具有某种程度的非精确性或不可靠性时。粗略地说，距离计算的误差与匹配的偏差成正比，而与摄像机组的基线长成反比。加大基线长可以减少误差，但是这又增大了视差范围和待匹配特征间的差别，从而使匹配问题复杂化了。为了解决这一问题出现了各种匹配策略，如由粗到精策略，松驰法等。在很多情况下，匹配精度通常是一个象素。但是，实际上区域相关法和特征匹配法都可以获得更好的精度。区域相关法要达到半个象素的精度需要对相关面进行内插。尽管有些特征抽取方法可以得到比一个象素精度更好的特征，但这直接依赖于所使用的算子类型，不存在普遍可用的方法。另一种提高精度的方法是采用一个象素精度的算法，但是利用多幅图象的匹配，通过多组匹配的统计平均结果获得较高精度的估计。每组匹配结果对于最后深度估计的贡献可以根据该匹配结果的可靠性或精度加权处理。总之，提高深度计算精度的途径有三条，各自涉及了一些附加的计算量:(a) 半象素精度估计 (subpixel estimation),(b) 加长基线长 (increased stereo baseline),(c) 几幅图的统计平均 (statistical averaging over several views)。(6) 内插 (interpolation).在立体视觉的应用领域中，一般都需要一个稠密的深度图。基于特征匹配的算法得到的仅是一个稀疏而且分布并不均匀的深度图。在这种意义下，基于区域相关匹配的算法更适合于获得稠密的深度图，但是该方法在那些几乎没有信息（灰度均匀）的区域上的匹配往往不可靠。因此，两类方法都离不开某种意义的内插过程。最为直接的将稀疏深度图内插成稠密的深度图的方法是将稀疏深度图看作为连续深度图的一个采样，用一般的内插方法（如样条逼近）来近似该连续深度图。当稀疏深度图足以反映深度的重要变化时，该方法可能是合适的。如起伏地貌的航空立体照片的处理中用这种方式的内插也许是比较合适的。但是这种方法在许多应用领域中，尤其是在有遮掩边界的图象的领域中，就不适用了。Grimson 指出可匹配特征的遗漏程度反映了待内插表面变化程度的相应限度，在这种基础上，他提出了一个内插过程[2]。换一角度来看，根据单幅图象的“由影到形”的技术，用已经匹配上的特征来建立轮廓条件和光滑的交接表面可以确保内插的有效性。这些方法结合起来，可以使内插过程达到合乎要求的目标。内插的另一种途径是在已有的几何模型与稀疏深度图之间建立映射关系，这是模型匹配过程。一般而言，要进行模型匹配，预先应将稀疏深度图进行聚类，形成若干子集，各自相应于一种特殊结构。然后找每一类的最佳对应模型，该模型为这种特殊结构(物体)提供参数和内插函数。如 Gennery用这种方法来发现立体对图片中的椭园结构，Moravec 用于为自主车探测地面。

立体视觉的二计算机