C++ - 使用 opencv flann 查找最近的邻居

Posted 2023-02-22

【中文标题】C++ - 使用 opencv flann 查找最近的邻居

【英文标题】：C++ - Finding nearest neighbor using opencv flann

【发布时间】：2015-04-07 09:59:19

【问题描述】：

我有两组点 (cv::Point2f)：setA 和 setB。对于 setA 中的每个点，我想在 setB 中找到它的最近邻居。所以，我尝试了两种方法：

线性搜索：对于 setA 中的每个点，只需简单地扫描 setB 中的所有点即可找到最近的点。

使用opencv kd-tree：

_ 首先，我使用 opencv flann 为 setB 构建了一个 kd-tree：

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

_ 然后，对于 setA 中的每个点，我都会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，因为我只需要最近的一个。

我做了一些研究，得出每个案例的时间复杂度：

线性搜索：O(M*N)

Kd-Tree: NlogN + MlogN => 第一项用于构建 kd-tree，第二项用于查询

其中 M 是 setA 中的点数，N 用于 setB。 N的范围：100~1000，M的范围：10000~100000。

因此，kd-tree 的运行速度应该比线性搜索方法快得多。但是，当我在笔记本电脑上运行实际测试时，结果是 kd-tree 方法比线性搜索慢（0.02~0.03s vs 0.4~0.5s）。

当我进行分析时，我在 knnSearch() 函数上遇到了热点，与线性搜索的 7.9% 相比，它需要 20.3% 的 CPU 时间。

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

有人知道这里出了什么问题吗？在 kd-tree 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？

【参考方案1】：

取自Flann documentation。对于低维数据，您应该使用 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）而优化的单个 kd 树，在您的情况下为 2D 点。您可以使用 leaf_max_size 参数并分析您的结果。

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

【讨论】：

哇，太好了！我在文档中没有看到这一点，感谢您指出。我会试试的，很快就会更新给你。

【参考方案2】：

O(log(N)) 并不一定意味着它比 O(N) 快。 这仅适用于足够大的 N。 你的 N 是一个相当小的数字。如果您的 kd-tree 包含数百万个元素，您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，您花费大量时间来处理诸如构建树之类的开销，对于小 N 来说，这比没有任何开销地扫描这个相当小的列表要慢。

【讨论】：

是的，你的意见是有道理的，我也考虑过。这就是我进行分析的原因，它表明瓶颈来自 kd-tree 查询，而不是来自构建 kd-tree。这让我很困惑！也感谢您的观点。

你说得对，我刚刚做了一个测试。建造树不是问题。但是假设您在 kd-tree 中有 100 个条目。现在假设，一个查询的 knnSearch() 只需要比对 100 个条目的线性搜索稍长的时间，因为它有点复杂。这将与您的查询量线性相加。现在，如果您在 kd-tree 中有 100000 个条目，则线性搜索对于 1 个查询可能较慢，因此对于许多查询。为了从 kd-tree 的对数搜索中获利，您必须在其中存储许多数据。

嗯，我也是这么想的。现在，我正在尝试另一种方法，我将图像分割成小网格，并在该点所属的网格内进行局部搜索。如果网格中没有点，我会在相邻网格中搜索。

@OhMyGosh 您通常可以使用二进制空间分区（如 KD-Trees 或 Quad-Trees），也可以使用空间散列。根据您的用例，它们都有不同的优点和缺点。