1、bf.match()

# 建立暴力匹配
bf = cv2.BFMatcher()
# 对描述子进行匹配
# des1、des2分别是图片img1、img2的特征向量
matches = bf.match(des1, des2)

如图所示，matches为数据类型为list，包含了所匹配的特征点，list中每个元素的数据类型为DMatch。

DMatch的数据结构包括：queryIdx、trainIdx、distance

queryIdx：某一特征点在本帧图像的索引，即在img1特征点的索引；
trainIdx：trainIdx是该特征点在另一张图像中相匹配的特征点的索引，即img2特征点的索引；
distance：代表这一对匹配的特征点描述符的欧式距离，数值越小也就说明俩个特征点越相近

print('queryIdx=%d' % matches[0].queryIdx)
print('trainIdx=%d' % matches[0].trainIdx)
print('distance=%d' % matches[0].distance)

queryIdx=0
trainIdx=24
distance=370

2、bf.knnMatch

# 建立暴力匹配
bf = cv2.BFMatcher()
# 对描述子进行匹配
# k取2
matches = bf.knnMatch(des1, des2, k=2)

 可以看出，与match返回值不同的是，knnmatch返回的是两个匹配点，一个是最近邻一个是次近邻。