Opencv 如何更准确地比较两幅图像之间的特征？

我已经开发了两种使用SIFT和ORB的方法，但在我看来，这些点并不正确对应。我是否错误地使用了这些功能，或者我是否需要一些不同的功能

orb = cv2.ORB_create()
keypoints_X, descriptor_X = orb.detectAndCompute(car1_gray, None)
keypoints_y, descriptor_y = orb.detectAndCompute(car2_gray, None)
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck = True)
matches = bf.match(descriptor_X, descriptor_y)
matches = sorted(matches, key = lambda x: x.distance)
result = cv2.drawMatches(car1_gray, keypoints_X, car2_gray, keypoints_y, matches[:10], car2_gray, flags = 2)

---

sift=cv2.sift\u create（）
关键点，描述符=sift.detectAndCompute（car1\u灰色，无）
关键点，描述符=筛选、检测和计算（car2灰色，无）
bf=cv2.BFMatcher（）
matches=bf.knnMatch（描述符X，描述符y，k=2）
bom=[]
对于匹配中的m，n：
如果m.距离<0.75*n.距离：
物料清单追加（[m]）
结果=cv2.drawMatchesKnn（car1灰色，关键点X，car2灰色，关键点y，bom，无，标志=cv2.DrawMatcheskFlags非单个点）

下面是筛选和ORB的结果：

---

看看SuperGlue，基于图形神经网络的特征匹配。虽然，他们不提供培训代码，但两个预培训模型适用于室内、室外。链接

---

看看SuperGlue，基于图形神经网络的特征匹配。虽然，他们不提供培训代码，但两个预培训模型适用于室内、室外。链接

---

大多数关键点描述符仅适用于纹理表面。此外，总会有错误的匹配。您将需要诸如RANSAC单应估计之类的方法来查找内点/离群点大多数关键点描述符仅适用于纹理曲面。此外，总会有错误的匹配。您将需要诸如RANSAC单应估计之类的方法来查找内点/异常值

sift = cv2.SIFT_create()

keypoints_X, descriptor_X = sift.detectAndCompute(car1_gray, None)
keypoints_y, descriptor_y = sift.detectAndCompute(car2_gray, None)
bf = cv2.BFMatcher()
matches = bf.knnMatch(descriptor_X, descriptor_y, k=2)

bom = []

for m,n in matches:
    if m.distance < 0.75*n.distance:
        bom.append([m])

result = cv2.drawMatchesKnn(car1_gray, keypoints_X, car2_gray, keypoints_y, bom, None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)