C++-使用opencv-frann查找最近的邻居

C++ - Finding nearest neighbor using opencv flann

本文关键字：邻居 最近 查找 使用 opencv-frann C++-      更新时间：2023-10-16

我有两组点（cv:：Point2f）：setA和setB。对于集合A中的每个点，我想找到它在集合B中最近的邻居。所以，我尝试了两种方法：

  1. 线性搜索：对于集合A中的每个点，只需扫描集合B中的所有点即可找到最近的点。

  2. 使用opencv-kd树：

    _首先，我使用opencv-frann:为setB构建了一个kd树

    cv::flann::KDTreeIndexParams indexParams;
cv::flann::Index kdTree(cv::Mat(setB).reshape(1), indexParams);

    _然后，对于集合A中的每个点，我进行查询以找到最近的邻居：

    kdTree.knnSearch(point_in_setA, indices, dists, maxPoints);

注意：我将maxPoints设置为1，因为我只需要最接近的一个。

我做了一些研究，得出了每个案例的一些时间复杂性：

  1. 线性搜索：O（M*N）

  2. Kd树：NlogN+MlogN=>第一项用于构建Kd树，第二项用于查询

其中M是集合A中的点数，N是集合B的点数。N的范围为100～1000，M的范围为10000～100000。

因此，kd树应该比线性搜索方法运行得更快。然而，当我在笔记本电脑上进行真正的测试时，结果是kd-tree方法比线性搜索慢（0.02~0.03s vs 0.4~0.5s）

当我进行评测时，我在knnSearch（）函数上获得了热点，它占用了20.3%的CPU时间，而线性搜索占用了7.9%。

嗯，我看了一些网上的文章，他们说查询kd树通常需要logN。但我不确定opencv是如何实现的。

有人知道这里出了什么问题吗？kd树中是否有我应该调整的参数，或者我在代码或计算中的某个地方犯了错误？

摘自Flann文档。对于低维数据，应使用KDTreeSingleIndexParams。

KDTreeSingleIndexParams

当传递这种类型的对象时，索引将包含一个为搜索低维数据（例如3D点云）而优化的kd树，在您的情况下是2D点。您可以使用leap_max_size参数并对结果进行评测。

struct KDTreeSingleIndexParams : public IndexParams
{
    KDTreeSingleIndexParams( int leaf_max_size = 10 );
};
max leaf size: The maximum number of points to have in a leaf for not
branching the tree any more

O（log（N））并不一定意味着它比O（N）快。这只适用于足够大的N。你的N是一个相当小的数字。如果你的kd树包含数百万个元素，你可能会看到线性扫描和对数搜索之间的区别。

所以我的猜测是，你花了很多时间在开销上，比如构建树，对于小N来说，这比在没有任何开销的情况下扫描这个相当小的列表要慢。

相关文章：