我正在阅读大量使用特征提取（sift ecc）进行对象检测的帖子。
在对两个图像都计算了描述符之后，为了获得良好的匹配，他们正在使用 crossCheckMatching。（在sample/cpp/descritpor_extractor_matcher.cpp上找到）
我能理解为什么会这样选择吗？
为什么我们需要同时评估两者
descriptorMatcher->knnMatch( descriptors1, descriptors2, matches12, knn );
descriptorMatcher->knnMatch( descriptors2, descriptors1, matches21, knn );
我不明白。
例如，计算欧几里距离不会在两个方向上返回相同的结果？
您通常不能假设您的匹配器将使用 Eucludian 距离。例如，BFMatcher 支持不同的规范：L1、L2、Hamming...
您可以在此处查看文档以获取更多详细信息： http: //docs.opencv.org/modules/features2d/doc/common_interfaces_of_descriptor_matchers.html
无论如何，所有这些距离测量都是对称的，你用哪一个来回答你的问题并不重要。
答案是：调用knnMatch(A,B)不等于调用knnMatch(B,A)。
如果你不相信我，我会试着给你一个图形和直观的解释。为了简单起见，我假设对于knn==1每个查询的描述符，算法只会找到 1 个对应关系（更容易绘制 :-)
我随机挑选了几个 2D 样本并创建了两个数据集（红色和绿色）。在第一个图中，绿色位于查询数据集中，这意味着对于每个绿色点，我们尝试找到最近的红色点（每个箭头代表一个对应关系）。
在第二个图中，查询和训练数据集已交换。
最后，我还绘制了crossCheckMatching()只保留双向匹配的函数的结果。
正如您所看到的，crossCheckMatching()的输出比每个单独的 knnMatch(X,Y) / knnMatch(Y,X) 要好得多，因为只保留了最强的对应关系。
我没有处理您正在使用的确切模块，但来自文档：
http://docs.opencv.org/modules/features2d/doc/common_interfaces_of_descriptor_matchers.html
似乎第二个调用是用查询交换训练，因此可以给你一组不同的结果。将matches12 的命名更改为matches21 也暗示了这一点——这不是双向关联，而是方向关联。
您可以在机器学习中训练大型数据集时看到这一点，其中训练数据子集的结果比训练不同数据子集的性能更好。我不知道在您编写的步骤之后如何使用这两个匹配项，但我想它允许选择最佳训练，或者从数据中捕获更好的协方差信息。
欧几里得距离在两个方向上都是相同的，但是双向量的顺序会发生变化，因此两个调用之间的关联结构也会发生变化（除非描述符 1 == 描述符 2，这将形成一个对称矩阵，然后可能无法重复）。
稍后在代码库中发布matches12 和matches21 的使用可能也会阐明具有两个方向关联的确切原因。
希望这为理解重复调用提供了一个起点。
*编辑*
我查看了您提供的链接并回答您的问题的源代码，两点之间的距离相同，但特定点（A点）到另一个特定点（B点）的最近点不一定一个可反转的语句。因此 B 可能是离 A 最近的点，但 A 可能不是离 B 最近的点。
正如 Frédéric 的帖子以图形方式显示的那样，不是欧几里得距离在 2 个点之间发生变化，而是欧几里得距离最近的点在改变比较的视角时会发生变化。因此，交叉检查可以验证共享最近点关系的点（A 最接近 B，B 最接近 A）。
您认为这不是最佳方法（具有大量点）的直觉是正确的，因为更复杂的方法可以在 O(N*ln(N)) 时间而不是 O(N^2) 时间内找到所有此类关系- 特别是启发式驱动的搜索。但是对于（相对）少量的点，预期的性能增益将可以忽略不计，并且实现将（为了更好的改进）更加复杂。