快捷導(dǎo)航

OpenCV實(shí)現(xiàn)特征檢測(cè)和特征匹配方法匯總

更新時(shí)間：2021年08月18日 15:34:01 作者：Madcola

一幅圖像中總存在著其獨(dú)特的像素點(diǎn)，這些點(diǎn)我們可以認(rèn)為就是這幅圖像的特征，成為特征點(diǎn)，本文主要介紹了OpenCV實(shí)現(xiàn)特征檢測(cè)和特征匹配方法，感興趣的可以了解一下

一幅圖像中總存在著其獨(dú)特的像素點(diǎn)，這些點(diǎn)我們可以認(rèn)為就是這幅圖像的特征，成為特征點(diǎn)。計(jì)算機(jī)視覺領(lǐng)域中的很重要的圖像特征匹配就是一特征點(diǎn)為基礎(chǔ)而進(jìn)行的，所以，如何定義和找出一幅圖像中的特征點(diǎn)就非常重要。這篇文章我總結(jié)了視覺領(lǐng)域最常用的幾種特征點(diǎn)以及特征匹配的方法。

在計(jì)算機(jī)視覺領(lǐng)域，興趣點(diǎn)（也稱關(guān)鍵點(diǎn)或特征點(diǎn)）的概念已經(jīng)得到了廣泛的應(yīng)用，包括目標(biāo)識(shí)別、圖像配準(zhǔn)、視覺跟蹤、三維重建等。這個(gè)概念的原理是，從圖像中選取某些特征點(diǎn)并對(duì)圖像進(jìn)行局部分析，而非觀察整幅圖像。只要圖像中有足夠多可檢測(cè)的興趣點(diǎn)，并且這些興趣點(diǎn)各不相同且特征穩(wěn)定，能被精確地定位，上述方法就十分有效。

以下是實(shí)驗(yàn)用的圖像：第一幅是手機(jī)抓拍的風(fēng)景圖，第二幅是遙感圖像。

1.SURF

特征檢測(cè)的視覺不變性是一個(gè)非常重要的概念。但是要解決尺度不變性問題，難度相當(dāng)大。為解決這一問題，計(jì)算機(jī)視覺界引入了尺度不變特征的概念。它的理念是，不僅在任何尺度下拍攝的物體都能檢測(cè)到一致的關(guān)鍵點(diǎn)，而且每個(gè)被檢測(cè)的特征點(diǎn)都對(duì)應(yīng)一個(gè)尺度因子。理想情況下，對(duì)于兩幅圖像中不同尺度的的同一個(gè)物體點(diǎn)，計(jì)算得到的兩個(gè)尺度因子之間的比率應(yīng)該等于圖像尺度的比率。近幾年，人們提出了多種尺度不變特征，本節(jié)介紹其中的一種：SURF特征。 SURF全稱為“加速穩(wěn)健特征”（Speeded Up Robust Feature），我們將會(huì)看到，它們不僅是尺度不變特征，而且是具有較高計(jì)算效率的特征。

我們首先進(jìn)行常規(guī)的特征提取和特征點(diǎn)匹配，看看效果如何。

#include "highgui/highgui.hpp"    
#include "opencv2/nonfree/nonfree.hpp"    
#include "opencv2/legacy/legacy.hpp"   
#include <iostream>  

using namespace cv;
using namespace std;


int main()
{
    Mat image01 = imread("2.jpg", 1);    //右圖
    Mat image02 = imread("1.jpg", 1);    //左圖
    namedWindow("p2", 0);
    namedWindow("p1", 0);
    imshow("p2", image01);
    imshow("p1", image02);

    //灰度圖轉(zhuǎn)換  
    Mat image1, image2;
    cvtColor(image01, image1, CV_RGB2GRAY);
    cvtColor(image02, image2, CV_RGB2GRAY);


    //提取特征點(diǎn)    
    SurfFeatureDetector surfDetector(800);  // 海塞矩陣閾值，在這里調(diào)整精度，值越大點(diǎn)越少，越精準(zhǔn) 
    vector<KeyPoint> keyPoint1, keyPoint2;
    surfDetector.detect(image1, keyPoint1);
    surfDetector.detect(image2, keyPoint2);

    //特征點(diǎn)描述，為下邊的特征點(diǎn)匹配做準(zhǔn)備    
    SurfDescriptorExtractor SurfDescriptor;
    Mat imageDesc1, imageDesc2;
    SurfDescriptor.compute(image1, keyPoint1, imageDesc1);
    SurfDescriptor.compute(image2, keyPoint2, imageDesc2);

    //獲得匹配特征點(diǎn)，并提取最優(yōu)配對(duì)     
    FlannBasedMatcher matcher;
    vector<DMatch> matchePoints;

    matcher.match(imageDesc1, imageDesc2, matchePoints, Mat());
    cout << "total match points: " << matchePoints.size() << endl;


    Mat img_match;
    drawMatches(image01, keyPoint1, image02, keyPoint2, matchePoints, img_match);
    namedWindow("match", 0);
    imshow("match",img_match);
    imwrite("match.jpg", img_match);

    waitKey();
    return 0;
}

由上面的特征點(diǎn)匹配的效果來看，匹配的效果還是相當(dāng)糟糕的，如果我們拿著這樣子的匹配結(jié)果去實(shí)現(xiàn)圖像拼接或者物體追蹤，效果肯定是極差的。所以我們需要進(jìn)一步篩選匹配點(diǎn)，來獲取優(yōu)秀的匹配點(diǎn)，這就是所謂的“去粗取精”。這里我們采用了Lowe's算法來進(jìn)一步獲取優(yōu)秀匹配點(diǎn)。

為了排除因?yàn)閳D像遮擋和背景混亂而產(chǎn)生的無匹配關(guān)系的關(guān)鍵點(diǎn)，SIFT的作者Lowe提出了比較最近鄰距離與次近鄰距離的SIFT匹配方式：取一幅圖像中的一個(gè)SIFT關(guān)鍵點(diǎn)，并找出其與另一幅圖像中歐式距離最近的前兩個(gè)關(guān)鍵點(diǎn)，在這兩個(gè)關(guān)鍵點(diǎn)中，如果最近的距離除以次近的距離得到的比率ratio少于某個(gè)閾值T，則接受這一對(duì)匹配點(diǎn)。因?yàn)閷?duì)于錯(cuò)誤匹配，由于特征空間的高維性，相似的距離可能有大量其他的錯(cuò)誤匹配，從而它的ratio值比較高。顯然降低這個(gè)比例閾值T，SIFT匹配點(diǎn)數(shù)目會(huì)減少，但更加穩(wěn)定，反之亦然。

Lowe推薦ratio的閾值為0.8，但作者對(duì)大量任意存在尺度、旋轉(zhuǎn)和亮度變化的兩幅圖片進(jìn)行匹配，結(jié)果表明ratio取值在0. 4~0. 6 之間最佳，小于0. 4的很少有匹配點(diǎn)，大于0. 6的則存在大量錯(cuò)誤匹配點(diǎn)，所以建議ratio的取值原則如下:

ratio=0. 4：對(duì)于準(zhǔn)確度要求高的匹配；

ratio=0. 6：對(duì)于匹配點(diǎn)數(shù)目要求比較多的匹配；

ratio=0. 5：一般情況下。

#include "highgui/highgui.hpp"    
#include "opencv2/nonfree/nonfree.hpp"    
#include "opencv2/legacy/legacy.hpp"   
#include <iostream>  

using namespace cv;
using namespace std;


int main()
{

    Mat image01 = imread("g2.jpg", 1);    
    Mat image02 = imread("g4.jpg", 1);    
    imshow("p2", image01);
    imshow("p1", image02);

    //灰度圖轉(zhuǎn)換  
    Mat image1, image2;
    cvtColor(image01, image1, CV_RGB2GRAY);
    cvtColor(image02, image2, CV_RGB2GRAY);


    //提取特征點(diǎn)    
    SurfFeatureDetector surfDetector(2000);  // 海塞矩陣閾值，在這里調(diào)整精度，值越大點(diǎn)越少，越精準(zhǔn) 
    vector<KeyPoint> keyPoint1, keyPoint2;
    surfDetector.detect(image1, keyPoint1);
    surfDetector.detect(image2, keyPoint2);

    //特征點(diǎn)描述，為下邊的特征點(diǎn)匹配做準(zhǔn)備    
    SurfDescriptorExtractor SurfDescriptor;
    Mat imageDesc1, imageDesc2;
    SurfDescriptor.compute(image1, keyPoint1, imageDesc1);
    SurfDescriptor.compute(image2, keyPoint2, imageDesc2);

    FlannBasedMatcher matcher;
    vector<vector<DMatch> > matchePoints;
    vector<DMatch> GoodMatchePoints;

    vector<Mat> train_desc(1, imageDesc1);
    matcher.add(train_desc);
    matcher.train();

    matcher.knnMatch(imageDesc2, matchePoints, 2);
    cout << "total match points: " << matchePoints.size() << endl;

    // Lowe's algorithm,獲取優(yōu)秀匹配點(diǎn)
    for (int i = 0; i < matchePoints.size(); i++)
    {
        if (matchePoints[i][0].distance < 0.6 * matchePoints[i][1].distance)
        {
            GoodMatchePoints.push_back(matchePoints[i][0]);
        }
    }

    Mat first_match;
    drawMatches(image02, keyPoint2, image01, keyPoint1, GoodMatchePoints, first_match);
    imshow("first_match ", first_match);
    waitKey();
    return 0;
}

為了體現(xiàn)所謂的尺度不變形，我特意加入了額外一組圖片來測(cè)試

由特征點(diǎn)匹配的效果來看，現(xiàn)在的特征點(diǎn)匹配應(yīng)該是非常精準(zhǔn)了，因?yàn)槲覀円呀?jīng)把不合格的匹配點(diǎn)統(tǒng)統(tǒng)移除出去了。

2.SIFT

SURF算法是SIFT算法的加速版，而SIFT（尺度不變特征轉(zhuǎn)換， ScaleInvariant Feature Transform）是另一種著名的尺度不變特征檢測(cè)法。我們知道，SURF相對(duì)于SIFT而言，特征點(diǎn)檢測(cè)的速度有著極大的提升，所以在一些實(shí)時(shí)視頻流物體匹配上有著很強(qiáng)的應(yīng)用。而SIFT因?yàn)槠渚薮蟮奶卣饔?jì)算量而使得特征點(diǎn)提取的過程異常花費(fèi)時(shí)間，所以在一些注重速度的場(chǎng)合難有應(yīng)用場(chǎng)景。但是SIFT相對(duì)于SURF的優(yōu)點(diǎn)就是，由于SIFT基于浮點(diǎn)內(nèi)核計(jì)算特征點(diǎn)，因此通常認(rèn)為， SIFT算法檢測(cè)的特征在空間和尺度上定位更加精確，所以在要求匹配極度精準(zhǔn)且不考慮匹配速度的場(chǎng)合可以考慮使用SIFT算法。

SIFT特征檢測(cè)的代碼我們僅需要對(duì)上面的SURF代碼作出一丁點(diǎn)修改即可。

#include "highgui/highgui.hpp"    
#include "opencv2/nonfree/nonfree.hpp"    
#include "opencv2/legacy/legacy.hpp"   
#include <iostream>  

using namespace cv;
using namespace std;


int main()
{
    Mat image01 = imread("1.jpg", 1);    //右圖
    Mat image02 = imread("2.jpg", 1);    //左圖
    namedWindow("p2", 0);
    namedWindow("p1", 0);
    imshow("p2", image01);
    imshow("p1", image02);

    //灰度圖轉(zhuǎn)換  
    Mat image1, image2;
    cvtColor(image01, image1, CV_RGB2GRAY);
    cvtColor(image02, image2, CV_RGB2GRAY);


    //提取特征點(diǎn)    
    SiftFeatureDetector siftDetector(2000);  // 海塞矩陣閾值，在這里調(diào)整精度，值越大點(diǎn)越少，越精準(zhǔn) 
    vector<KeyPoint> keyPoint1, keyPoint2;
    siftDetector.detect(image1, keyPoint1);
    siftDetector.detect(image2, keyPoint2);

    //特征點(diǎn)描述，為下邊的特征點(diǎn)匹配做準(zhǔn)備    
    SiftDescriptorExtractor SiftDescriptor;
    Mat imageDesc1, imageDesc2;
    SiftDescriptor.compute(image1, keyPoint1, imageDesc1);
    SiftDescriptor.compute(image2, keyPoint2, imageDesc2);

    //獲得匹配特征點(diǎn)，并提取最優(yōu)配對(duì)     
    FlannBasedMatcher matcher;
    vector<DMatch> matchePoints;

    matcher.match(imageDesc1, imageDesc2, matchePoints, Mat());
    cout << "total match points: " << matchePoints.size() << endl;


    Mat img_match;
    drawMatches(image01, keyPoint1, image02, keyPoint2, matchePoints, img_match);

    imshow("match",img_match);
    imwrite("match.jpg", img_match);

    waitKey();
    return 0;
}

沒有經(jīng)過點(diǎn)篩選的匹配效果同樣糟糕。下面繼續(xù)采用Lowe‘s的算法選出優(yōu)秀匹配點(diǎn)。

#include "highgui/highgui.hpp"    
#include "opencv2/nonfree/nonfree.hpp"    
#include "opencv2/legacy/legacy.hpp"   
#include <iostream>  

using namespace cv;
using namespace std;


int main()
{

    Mat image01 = imread("1.jpg", 1);
    Mat image02 = imread("2.jpg", 1);
    imshow("p2", image01);
    imshow("p1", image02);

    //灰度圖轉(zhuǎn)換  
    Mat image1, image2;
    cvtColor(image01, image1, CV_RGB2GRAY);
    cvtColor(image02, image2, CV_RGB2GRAY);


    //提取特征點(diǎn)    
    SiftFeatureDetector siftDetector(800);  // 海塞矩陣閾值，在這里調(diào)整精度，值越大點(diǎn)越少，越精準(zhǔn) 
    vector<KeyPoint> keyPoint1, keyPoint2;
    siftDetector.detect(image1, keyPoint1);
    siftDetector.detect(image2, keyPoint2);

    //特征點(diǎn)描述，為下邊的特征點(diǎn)匹配做準(zhǔn)備    
    SiftDescriptorExtractor SiftDescriptor;
    Mat imageDesc1, imageDesc2;
    SiftDescriptor.compute(image1, keyPoint1, imageDesc1);
    SiftDescriptor.compute(image2, keyPoint2, imageDesc2);

    FlannBasedMatcher matcher;
    vector<vector<DMatch> > matchePoints;
    vector<DMatch> GoodMatchePoints;

    vector<Mat> train_desc(1, imageDesc1);
    matcher.add(train_desc);
    matcher.train();

    matcher.knnMatch(imageDesc2, matchePoints, 2);
    cout << "total match points: " << matchePoints.size() << endl;

    // Lowe's algorithm,獲取優(yōu)秀匹配點(diǎn)
    for (int i = 0; i < matchePoints.size(); i++)
    {
        if (matchePoints[i][0].distance < 0.6 * matchePoints[i][1].distance)
        {
            GoodMatchePoints.push_back(matchePoints[i][0]);
        }
    }

    Mat first_match;
    drawMatches(image02, keyPoint2, image01, keyPoint1, GoodMatchePoints, first_match);
    imshow("first_match ", first_match);
    imwrite("first_match.jpg", first_match);
    waitKey();
    return 0;
}

3.ORB

ORB是ORiented Brief的簡(jiǎn)稱，是brief算法的改進(jìn)版。ORB算法比SIFT算法快100倍，比SURF算法快10倍。在計(jì)算機(jī)視覺領(lǐng)域有種說法，ORB算法的綜合性能在各種測(cè)評(píng)里較其他特征提取算法是最好的。

ORB算法是brief算法的改進(jìn)，那么我們先說一下brief算法有什么去缺點(diǎn)。

BRIEF的優(yōu)點(diǎn)在于其速度，其缺點(diǎn)是：

不具備旋轉(zhuǎn)不變性
對(duì)噪聲敏感
不具備尺度不變性

而ORB算法就是試圖解決上述缺點(diǎn)中1和2提出的一種新概念。值得注意的是，ORB沒有解決尺度不變性。

#include "highgui/highgui.hpp"    
#include "opencv2/nonfree/nonfree.hpp"    
#include "opencv2/legacy/legacy.hpp"   
#include <iostream>  

using namespace cv;
using namespace std;


int main()
{

    Mat image01 = imread("g2.jpg", 1);
    Mat image02 = imread("g4.jpg", 1);
    imshow("p2", image01);
    imshow("p1", image02);

    //灰度圖轉(zhuǎn)換  
    Mat image1, image2;
    cvtColor(image01, image1, CV_RGB2GRAY);
    cvtColor(image02, image2, CV_RGB2GRAY);


    //提取特征點(diǎn)    
    OrbFeatureDetector OrbDetector(1000);  // 在這里調(diào)整精度，值越小點(diǎn)越少，越精準(zhǔn) 
    vector<KeyPoint> keyPoint1, keyPoint2;
    OrbDetector.detect(image1, keyPoint1);
    OrbDetector.detect(image2, keyPoint2);

    //特征點(diǎn)描述，為下邊的特征點(diǎn)匹配做準(zhǔn)備    
    OrbDescriptorExtractor OrbDescriptor;
    Mat imageDesc1, imageDesc2;
    OrbDescriptor.compute(image1, keyPoint1, imageDesc1);
    OrbDescriptor.compute(image2, keyPoint2, imageDesc2);

    flann::Index flannIndex(imageDesc1, flann::LshIndexParams(12, 20, 2), cvflann::FLANN_DIST_HAMMING);

    vector<DMatch> GoodMatchePoints;

    Mat macthIndex(imageDesc2.rows, 2, CV_32SC1), matchDistance(imageDesc2.rows, 2, CV_32FC1);
    flannIndex.knnSearch(imageDesc2, macthIndex, matchDistance, 2, flann::SearchParams());

    // Lowe's algorithm,獲取優(yōu)秀匹配點(diǎn)
    for (int i = 0; i < matchDistance.rows; i++)
    {
        if (matchDistance.at<float>(i,0) < 0.6 * matchDistance.at<float>(i, 1))
        {
            DMatch dmatches(i, macthIndex.at<int>(i, 0), matchDistance.at<float>(i, 0));
            GoodMatchePoints.push_back(dmatches);
        }
    }

    Mat first_match;
    drawMatches(image02, keyPoint2, image01, keyPoint1, GoodMatchePoints, first_match);
    imshow("first_match ", first_match);
    imwrite("first_match.jpg", first_match);
    waitKey();
    return 0;
}

4.FAST

FAST（加速分割測(cè)試獲得特征， Features from Accelerated Segment Test）。這種算子專門用來快速檢測(cè)興趣點(diǎn)，只需要對(duì)比幾個(gè)像素，就可以判斷是否為關(guān)鍵點(diǎn)。

跟Harris檢測(cè)器的情況一樣， FAST算法源于對(duì)構(gòu)成角點(diǎn)的定義。FAST對(duì)角點(diǎn)的定義基于候選特征點(diǎn)周圍的圖像強(qiáng)度值。以某個(gè)點(diǎn)為中心作一個(gè)圓，根據(jù)圓上的像素值判斷該點(diǎn)是否為關(guān)鍵點(diǎn)。如果存在這樣一段圓弧，它的連續(xù)長(zhǎng)度超過周長(zhǎng)的3/4，并且它上面所有像素的強(qiáng)度值都與圓心的強(qiáng)度值明顯不同（全部更黑或更亮），那么就認(rèn)定這是一個(gè)關(guān)鍵點(diǎn)。

用這個(gè)算法檢測(cè)興趣點(diǎn)的速度非常快，因此十分適合需要優(yōu)先考慮速度的應(yīng)用。這些應(yīng)用包括實(shí)時(shí)視覺跟蹤、目標(biāo)識(shí)別等，它們需要在實(shí)
時(shí)視頻流中跟蹤或匹配多個(gè)點(diǎn)。

我們使用FastFeatureDetector 進(jìn)行特征點(diǎn)提取，因?yàn)閛pencv沒有提供fast專用的描述子提取器，所以我們借用SiftDescriptorExtractor 來實(shí)現(xiàn)描述子的提取。

#include "highgui/highgui.hpp"    
#include "opencv2/nonfree/nonfree.hpp"    
#include "opencv2/legacy/legacy.hpp"   
#include <iostream>  

using namespace cv;
using namespace std;


int main()
{

    Mat image01 = imread("1.jpg", 1);
    Mat image02 = imread("2.jpg", 1);
    imshow("p2", image01);
    imshow("p1", image02);

    //灰度圖轉(zhuǎn)換  
    Mat image1, image2;
    cvtColor(image01, image1, CV_RGB2GRAY);
    cvtColor(image02, image2, CV_RGB2GRAY);


    //提取特征點(diǎn)    
    FastFeatureDetector Detector(50);  //閾值 
    vector<KeyPoint> keyPoint1, keyPoint2;
    Detector.detect(image1, keyPoint1);
    Detector.detect(image2, keyPoint2);

    //特征點(diǎn)描述，為下邊的特征點(diǎn)匹配做準(zhǔn)備    
    SiftDescriptorExtractor   Descriptor;
    Mat imageDesc1, imageDesc2;
    Descriptor.compute(image1, keyPoint1, imageDesc1);
    Descriptor.compute(image2, keyPoint2, imageDesc2);

    BruteForceMatcher< L2<float> > matcher;   
    vector<vector<DMatch> > matchePoints;
    vector<DMatch> GoodMatchePoints;

    vector<Mat> train_desc(1, imageDesc1);
    matcher.add(train_desc);
    matcher.train();

    matcher.knnMatch(imageDesc2, matchePoints, 2);
    cout << "total match points: " << matchePoints.size() << endl;

    // Lowe's algorithm,獲取優(yōu)秀匹配點(diǎn)
    for (int i = 0; i < matchePoints.size(); i++)
    {
        if (matchePoints[i][0].distance < 0.6 * matchePoints[i][1].distance)
        {
            GoodMatchePoints.push_back(matchePoints[i][0]);
        }
    }

    Mat first_match;
    drawMatches(image02, keyPoint2, image01, keyPoint1, GoodMatchePoints, first_match);
    imshow("first_match ", first_match);
    imwrite("first_match.jpg", first_match);
    waitKey();
    return 0;
}

如果我們把描述子換成SurfDescriptorExtractor，即FastFeatureDetector + SurfDescriptorExtractor的組合，看看效果

可以看出，這種組合下的特征點(diǎn)匹配并不精確。

如果我們把描述子換成SurfDescriptorExtractor，即FastFeatureDetector + BriefDescriptorExtractor 的組合，看看效果

速度雖快，但是精度卻差強(qiáng)人意。

看到這里可能很多人會(huì)有疑惑：為什么FAST特征點(diǎn)可以用所以我們借用SiftDescriptorExtractor或者其他描述子提取器進(jìn)行提??？

在這里我說一下自己的理解。要完成特征點(diǎn)的匹配第一個(gè)步驟就是找出每幅圖像的特征點(diǎn)，這叫做特征檢測(cè)，比如我們使用FastFeatureDetector、SiftFeatureDetector都是特征檢測(cè)的模塊。我們得到這些圖像的特征點(diǎn)后，我們就對(duì)這些特征點(diǎn)進(jìn)行進(jìn)一步的分析，用一些數(shù)學(xué)上的特征對(duì)其進(jìn)行描述，如梯度直方圖，局部隨機(jī)二值特征等。所以在這一步我們可以選擇其他描述子提取器對(duì)這些點(diǎn)進(jìn)行特征描述，進(jìn)而完成特征點(diǎn)的精確匹配。

在opencv中，SURF,ORB,SIFT既包含F(xiàn)eatureDetector，又包含 DescriptorExtractor，所以我們使用上述三種算法做特征匹配時(shí)，都用其自帶的方法配套使用。

除此之外，如果我們相用FAST角點(diǎn)檢測(cè)并作特征點(diǎn)匹配該怎么辦？此時(shí)可以使用上述的FastFeatureDetector + BriefDescriptorExtractor 的方式，這種組合方式其實(shí)就是著名的ORB算法。所以特征點(diǎn)檢測(cè)和特征點(diǎn)匹配是兩種不同的步驟，我們只需根據(jù)自己項(xiàng)目的需求對(duì)這兩個(gè)步驟的方法隨意組合就好。

5.Harris角點(diǎn)

在圖像中搜索有價(jià)值的特征點(diǎn)時(shí)，使用角點(diǎn)是一種不錯(cuò)的方法。角點(diǎn)是很容易在圖像中定位的局部特征，并且大量存在于人造物體中（例如墻壁、門、窗戶、桌子等產(chǎn)生的角點(diǎn)）。角點(diǎn)的價(jià)值在于它是兩條邊緣線的接合點(diǎn)，是一種二維特征，可以被精確地定位（即使是子像素級(jí)精度）。與此相反的是位于均勻區(qū)域或物體輪廓上的點(diǎn)以及在同一物體的不同圖像上很難重復(fù)精確定位的點(diǎn)。 Harris特征檢測(cè)是檢測(cè)角點(diǎn)的經(jīng)典方法。

這里僅展示GoodFeaturesToTrackDetector +　SiftDescriptorExtractor的組合方式的代碼，其他組合不再演示。

#include "highgui/highgui.hpp"    
#include "opencv2/nonfree/nonfree.hpp"    
#include "opencv2/legacy/legacy.hpp"   
#include <iostream>  

using namespace cv;
using namespace std;


int main()
{

    Mat image01 = imread("1.jpg", 1);
    Mat image02 = imread("2.jpg", 1);
    imshow("p2", image01);
    imshow("p1", image02);

    //灰度圖轉(zhuǎn)換  
    Mat image1, image2;
    cvtColor(image01, image1, CV_RGB2GRAY);
    cvtColor(image02, image2, CV_RGB2GRAY);


    //提取特征點(diǎn)    
    GoodFeaturesToTrackDetector Detector(500);  //最大點(diǎn)數(shù),值越大，點(diǎn)越多
    vector<KeyPoint> keyPoint1, keyPoint2;
    Detector.detect(image1, keyPoint1);
    Detector.detect(image2, keyPoint2);

    //特征點(diǎn)描述，為下邊的特征點(diǎn)匹配做準(zhǔn)備    
    SiftDescriptorExtractor  Descriptor;
    Mat imageDesc1, imageDesc2;
    Descriptor.compute(image1, keyPoint1, imageDesc1);
    Descriptor.compute(image2, keyPoint2, imageDesc2);

    BruteForceMatcher< L2<float> > matcher;   
    vector<vector<DMatch> > matchePoints;
    vector<DMatch> GoodMatchePoints;

    vector<Mat> train_desc(1, imageDesc1);
    matcher.add(train_desc);
    matcher.train();

    matcher.knnMatch(imageDesc2, matchePoints, 2);
    cout << "total match points: " << matchePoints.size() << endl;

    // Lowe's algorithm,獲取優(yōu)秀匹配點(diǎn)
    for (int i = 0; i < matchePoints.size(); i++)
    {
        if (matchePoints[i][0].distance < 0.6 * matchePoints[i][1].distance)
        {
            GoodMatchePoints.push_back(matchePoints[i][0]);
        }
    }

    Mat first_match;
    drawMatches(image02, keyPoint2, image01, keyPoint1, GoodMatchePoints, first_match);
    imshow("first_match ", first_match);
    imwrite("first_match.jpg", first_match);
    waitKey();
    return 0;
}

匹配相當(dāng)精準(zhǔn)

計(jì)算機(jī)視覺領(lǐng)域其實(shí)還有了很多特征檢測(cè)的方法，比如HOG、Harr、LBP等，這里就不再敘述了，因?yàn)榉椒ǘ际穷愃?，我們根?jù)自己的需求挑選相應(yīng)的方法就好了。

到此這篇關(guān)于OpenCV實(shí)現(xiàn)特征檢測(cè)和特征匹配方法匯總的文章就介紹到這了,更多相關(guān)OpenCV 特征檢測(cè)和特征匹配內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: