SLAM14講 第七章 特徵點法
阿新 • • 發佈：2020-07-11
SIFT尺度不變特徵變換 5228.7ms
FAST關鍵點——計算速度很快，沒有描述子，不具有方向性
ORB（旋轉、尺度不變性）——速度極快的二進位制描述子BRIEF 1000點/15.3ms
SURF 217.3ms
#include<iostream> #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 ) //確認輸入為兩張圖片 { cout<<"usage: feature_extraction img1 img2"<<endl; return 1; } //-- 讀取影象 // imread C++ 模型 // include <opencv2/imgcodecs.hpp> // Mat cv::imread( const String & filename, int flags = IMREAD_COLOR) // 返回MAT型別，讀取失敗時返回空矩陣 Mat::data = NULL // 引數1：filename 讀取的圖片檔名 絕對/相對路徑 要加字尾 // 引數2：flags 讀取標記，讀取圖片的方式，預設為IMREAD_COLOR(好像沒影響) Mat img_1 = imread ( argv[1], IMREAD_COLOR ); Mat img_2 = imread ( argv[2], CV_LOAD_IMAGE_COLOR ); //-- 初始化 std::vector<KeyPoint> keypoints_1, keypoints_2;//關鍵點-放置keypoint物件的一個vector Mat descriptors_1, descriptors_2;//描述子，cv::Mat型別 //OpenCV提供FeatureDetector實現特徵檢測及匹配; //FeatureDetetor是虛類，通過定義FeatureDetector的物件可以使用多種特徵檢測方法。通過create()函式呼叫： //FAST\STAR\SIFT\SURF\ORB\MSER\GFTT\HARRIS\Dense\SimpleBlob Ptr<FeatureDetector> detector = ORB::create();//ORB特徵點檢測 Ptr<DescriptorExtractor> descriptor = ORB::create();//BRIEF描述子提取 //計算特徵點之間的描述子距離，通常漢明距離 //DescriptorMatcher是匹配特徵向量的抽象類，在OpenCV2中的特徵匹配方法都繼承自該類 //（例如：BFmatcher，FlannBasedMatcher）。該類主要包含了兩組匹配方法：影象對之間的匹配以及影象和一個影象集之間的匹配 //DescriptorMatcher::create 對於給定引數，建立特徵描述子匹配(使用預設的建構函式). //BruteForce(L2)、BruteForce-L1\BruteForce-Hamming\BruteForce-HammingLUT\FlannBased Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create ( "BruteForce-Hamming" ); //-- 第一步:檢測 Oriented FAST 角點位置 detector->detect ( img_1,keypoints_1 ); detector->detect ( img_2,keypoints_2 ); //-- 第二步:根據角點位置計算 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("圖1 ORB特徵點",outimg1); Mat outimg2; drawKeypoints( img_2, keypoints_2, outimg2, Scalar::all(-1), DrawMatchesFlags::DEFAULT ); imshow("圖2 ORB特徵點",outimg2); //-- 第三步:對兩幅影象中的BRIEF描述子進行匹配，使用 Hamming 距離 //DMatch是用於匹配特徵關鍵點的特徵描述子的類：查詢特徵描述子索引, 特徵描述子索引, 訓練影象索引, 以及不同特徵描述子之間的距離. vector<DMatch> matches; //BFMatcher matcher ( NORM_HAMMING ); matcher->match ( descriptors_1, descriptors_2, matches ); //-- 第四步:匹配點對篩選 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; } // 僅供娛樂的寫法 min_dist = min_element( matches.begin(), matches.end(), [](const DMatch& m1, const DMatch& m2) {return m1.distance<m2.distance;} )->distance; max_dist = max_element( matches.begin(), matches.end(), [](const DMatch& m1, const DMatch& m2) {return m1.distance<m2.distance;} )->distance; printf ( "-- Max dist : %f \n", max_dist ); printf ( "-- Min dist : %f \n", min_dist ); //當描述子之間的距離大於兩倍的最小距離時,即認為匹配有誤.但有時候最小距離會非常小,設定一個經驗值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:繪製匹配結果 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 ( "圖3 所有匹配點對", img_match ); imshow ( "圖4 優化後匹配點對-篩選小於兩倍最小漢明距離或工程經驗值30的點", img_goodmatch ); imwrite ( "圖3 所有匹配點對.png", img_match ); imwrite ( "圖4 優化後匹配點對篩選小於兩倍最小漢明距離或工程經驗值30的點.png", img_goodmatch ); waitKey(0);
max-dist：95
min-dist：4
所有匹配點對：
優化後匹配點對（小於兩倍最小漢明距離的點）：
優化後匹配點對（小於兩倍最小漢明距離或工程經驗值30的點）：
優化後匹配點對（小於最小和最大漢明距離中間值的點）：