我正在使用特征提取（筛选，orb）进行对象检测。
我想从对象的不同视角（训练图像）中提取ORB特征，然后将它们与查询图像进行匹配。
我面临的问题是：如何从不同大小的图像的不同角度创建一个良好的单应性？
我想为每个火车图像创建一个单应性，然后说3-4个匹配，然后计算一些“均值”单应...
例如，当您从每个火车图像中说出1-2个匹配时，会出现问题，此时您无法创建甚至1个单应性
创建单应性的代码
//> For each train images with at least some good matches ??
H = findHomography( train, scene, CV_RANSAC );
perspectiveTransform( trainCorners, sceneCorners, H);
我认为这样做没有意义，因为当你谈论单应性时，A和B对图像B和C无关。你会得到不同的 很好的比赛 和不同的单应性，但单应性将是无关的，没有错误最小化将有一个点。
所有最小化必须在考虑仅一对图像的匹配，关键点和描述符内。
有一个类似于你在FREAK描述符中提出的想法。您可以使用一组图像训练选定的对。这意味着FREAK将根据一组图像决定提取描述符的最佳模式。在这次训练之后，你应该找到更强大的数学，这将给你一个更好的单应性。
要找到良好的单应性，您需要准确匹配关键点。你需要4场比赛。
最常见的方法是DLT与RANSAC结合使用。 DLT是一种线性变换，可以找到将您的关键点投射到场景中的单应性3x3矩阵。 RANSAC找到满足数学模型的最佳内点/异常值集，因此它将找到最佳4点作为DLT的输入。
编辑
您需要找到强大的关键点。 SIFT倾向于这样做，规模和视角不变。我不认为你需要训练不同的图像。寻找平均单应性没有意义。您需要为检测到的对象找到唯一的单应性，并且单应性将是标记与检测到的对象之间的转换。单应性是精确的，没有必要找到一个平均值。
您是否尝试过从对象视图中获取关键点的方法：train_kps_1，train_kps_2 ...然后将这些数组与场景匹配，然后从这几个数组中选择最佳匹配，从而产生单个数组的良好匹配。最后使用该结果找到单应性作为“火车”。
这里的关键是如何选择最佳匹配，这是一个不同的问题，你可以在这里找到一个很好的anwser：
http://answers.opencv.org/question/15/how-to-get-good-matches-from-the-orb-feature/
也许在这里：