我們要知道三維空間中的點(diǎn)在圖像中的位置，就需要提取特征與特征匹配了碎绎。
1.檢測特征點(diǎn)
2.計算描述子
3.特征匹配
1.檢測特征點(diǎn)
我們用到的檢測特征點(diǎn)的方法是FAST算法螃壤，最大的特點(diǎn)就是快！
算法原理：遍歷圖像筋帖，找到所有的角點(diǎn)奸晴。我們就拿一個角點(diǎn)舉例，例如只拿到一個角點(diǎn)幕随，設(shè)其像素灰度值為
蚁滋，取這個角點(diǎn)以三為半徑的圓上的所有像素點(diǎn)，能取到16個赘淮，然后設(shè)定一個閾值
辕录，如果連續(xù)
個像素點(diǎn)的灰度值都大于
或者都小于
。我們則認(rèn)為其為特征點(diǎn)梢卸。接著計算方向：特征點(diǎn)與重心的角度走诞。
2.計算描述子
描述子我們可以理解為在每一個特征點(diǎn)旁邊有一個向量，或者說也可以理解為數(shù)組蛤高，記錄著特征點(diǎn)周圍的信息蚣旱。這里用的事BRIEF描述子碑幅。BRIEF描述子是一個二進(jìn)制描述子，就是在特征點(diǎn)周圍隨機(jī)取128對點(diǎn)對或者是256對點(diǎn)對和
塞绿，若
大于
沟涨，則記為
，否則記為
异吻。這就組成了一個128個數(shù)的[0,1,1,0.....]序列裹赴。
3.特征匹配
此時我們得到了所有的特征點(diǎn)和描述子。此時進(jìn)行暴力匹配诀浪，對圖1中的每一個特征點(diǎn)分別和圖像2中的特征點(diǎn)的描述子比較棋返，我們用Hamming距離來度量兩個描述子的相似程度，如果Hamming距離小于兩倍的最小距離則認(rèn)為匹配正確雷猪，否則認(rèn)為匹配錯誤睛竣。
代碼如下：
#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/highgui/highgui.hpp>
using namespace std;
using namespace cv;
int main ( int argc, char** argv )
{
if ( argc != 3 )
{
cout<<"usage: feature_extraction img1 img2"<<endl;
return 1;
}
//-- 讀取圖像
Mat img_1 = imread ( argv[1], CV_LOAD_IMAGE_COLOR );
Mat img_2 = imread ( argv[2], CV_LOAD_IMAGE_COLOR );
//-- 初始化
std::vector<KeyPoint> keypoints_1, keypoints_2;
Mat descriptors_1, descriptors_2;
Ptr<FeatureDetector> detector = ORB::create();
Ptr<DescriptorExtractor> descriptor = ORB::create();
Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create ( "BruteForce-Hamming" );
//-- 第一步:檢測 Oriented FAST 角點(diǎn)位置
detector->detect ( img_1,keypoints_1 );
detector->detect ( img_2,keypoints_2 );
//-- 第二步:根據(jù)角點(diǎn)位置計算 BRIEF 描述子
descriptor->compute ( img_1, keypoints_1, descriptors_1 );
descriptor->compute ( img_2, keypoints_2, descriptors_2 );
Mat outimg1;
drawKeypoints( img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT );
imshow("ORB特征點(diǎn)",outimg1);
//-- 第三步:對兩幅圖像中的BRIEF描述子進(jìn)行匹配，使用 Hamming 距離
vector<DMatch> matches;//matches存儲特征點(diǎn)信息
matcher->match ( descriptors_1, descriptors_2, matches );
//-- 第四步:匹配點(diǎn)對篩選
double min_dist=10000, max_dist=0;
//找出所有匹配之間的最小距離和最大距離, 即是最相似的和最不相似的兩組點(diǎn)之間的距離
for ( int i = 0; i < descriptors_1.rows; i++ )
{
double dist = matches[i].distance;
if ( dist < min_dist ) min_dist = dist;
if ( dist > max_dist ) max_dist = dist;
}
printf ( "-- Max dist : %f \n", max_dist );
printf ( "-- Min dist : %f \n", min_dist );
//當(dāng)描述子之間的距離大于兩倍的最小距離時,即認(rèn)為匹配有誤.但有時候最小距離會非常小,設(shè)置一個經(jīng)驗值30作為下限.
std::vector< DMatch > good_matches;
for ( int i = 0; i < descriptors_1.rows; i++ )
{
if ( matches[i].distance <= max ( 2*min_dist, 30.0 ) )
{
good_matches.push_back ( matches[i] );
}
}
//-- 第五步:繪制匹配結(jié)果
Mat img_match;
Mat img_goodmatch;
drawMatches ( img_1, keypoints_1, img_2, keypoints_2, matches, img_match );
drawMatches ( img_1, keypoints_1, img_2, keypoints_2, good_matches, img_goodmatch );
imshow ( "所有匹配點(diǎn)對", img_match );
imshow ( "優(yōu)化后匹配點(diǎn)對", img_goodmatch );
waitKey(0);
return 0;
}
如有錯誤求摇，歡迎指正~
