概述 之前的文章SURF和SIFT算子实现特征点检测简单地讲了利用SIFT和SURF算子检测特征点，在检测的基础上可以使用SIFT和SURF算子对特征点进行特征提取并使用匹配函数进行特征点的匹配。具体实现是首先采用SurfFeatureDetector检测特征点，再使用SurfDescripto
概述
之前的文章SURF和SIFT算子实现特征点检测简单地讲了利用SIFT和SURF算子检测特征点，在检测的基础上可以使用SIFT和SURF算子对特征点进行特征提取并使用匹配函数进行特征点的匹配。具体实现是首先采用SurfFeatureDetector检测特征点，再使用SurfDescriptorExtractor计算特征点的特征向量，最后采用BruteForceMatcher暴力匹配法或者FlannBasedMatcher选择性匹配法（二者的不同）来进行特征点匹配。
实验所用环境是opencv2.4.0+vs2008+win7，需要注意opencv2.4.X版本中SurfFeatureDetector是包含在opencv2/nonfree/features2d.hpp中，BruteForceMatcher是包含在opencv2/legacy/legacy.hpp中，FlannBasedMatcher是包含在opencv2/features2d/features2d.hpp中。
BruteForce匹配法
首先使用BruteForceMatcher暴力匹配法，代码如下：
/**
* @采用SURF算子检测特征点，对特征点进行特征提取，并使用BruteForce匹配法进行特征点的匹配
* @SurfFeatureDetector + SurfDescriptorExtractor + BruteForceMatcher
* @author holybin
*/
#include
#include
#include "opencv2/core/core.hpp"
#include "opencv2/nonfree/features2d.hpp" //SurfFeatureDetector实际在该头文件中
#include "opencv2/legacy/legacy.hpp" //BruteForceMatcher实际在该头文件中
//#include "opencv2/features2d/features2d.hpp" //FlannBasedMatcher实际在该头文件中
#include "opencv2/highgui/highgui.hpp"
using namespace cv;
using namespace std;
int main( int argc, char** argv )
{
Mat src_1 = imread( "D:\\opencv_pic\\cat3d120.jpg", CV_LOAD_IMAGE_GRAYSCALE );
Mat src_2 = imread( "D:\\opencv_pic\\cat0.jpg", CV_LOAD_IMAGE_GRAYSCALE );
if( !src_1.data || !src_2.data )
{
cout<< " --(!) Error reading images "< keypoints_1, keypoints_2;
detector.detect( src_1, keypoints_1 );
detector.detect( src_2, keypoints_2 );
cout<<"img1--number of keypoints: "< > matcher;
vector< DMatch > matches;
matcher.match( descriptors_1, descriptors_2, matches );
cout<<"number of matches: "<
实验结果：
FLANN匹配法
使用暴力匹配的结果不怎么好，下面使用FlannBasedMatcher进行特征匹配，只保留好的特征匹配点，代码如下：
/**
* @采用SURF算子检测特征点，对特征点进行特征提取，并使用FLANN匹配法进行特征点的匹配
* @SurfFeatureDetector + SurfDescriptorExtractor + FlannBasedMatcher
* @author holybin
*/
#include
#include
#include "opencv2/core/core.hpp"
#include "opencv2/nonfree/features2d.hpp" //SurfFeatureDetector实际在该头文件中
//#include "opencv2/legacy/legacy.hpp" //BruteForceMatcher实际在该头文件中
#include "opencv2/features2d/features2d.hpp" //FlannBasedMatcher实际在该头文件中
#include "opencv2/highgui/highgui.hpp"
using namespace cv;
using namespace std;
int main( int argc, char** argv )
{
Mat src_1 = imread( "D:\\opencv_pic\\cat3d120.jpg", CV_LOAD_IMAGE_GRAYSCALE );
Mat src_2 = imread( "D:\\opencv_pic\\cat0.jpg", CV_LOAD_IMAGE_GRAYSCALE );
if( !src_1.data || !src_2.data )
{
cout<< " --(!) Error reading images "< keypoints_1, keypoints_2;
detector.detect( src_1, keypoints_1 );
detector.detect( src_2, keypoints_2 );
cout<<"img1--number of keypoints: "< allMatches;
matcher.match( descriptors_1, descriptors_2, allMatches );
cout<<"number of matches before filtering: "< maxDist )
maxDist = dist;
}
printf(" max dist : %f \n", maxDist );
printf(" min dist : %f \n", minDist );
//-- 过滤匹配点，保留好的匹配点（这里采用的标准：distance<2*minDist）
vector< DMatch > goodMatches;
for( int i = 0; i < descriptors_1.rows; i++ )
{
if( allMatches[i].distance < 2*minDist )
goodMatches.push_back( allMatches[i]);
}
cout<<"number of matches after filtering: "<(),
DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS //不显示未匹配的点
);
imshow("matching result", matchImg );
//--
输出匹配点的对应关系
for( int i = 0; i < goodMatches.size(); i++ )
printf( " good match %d: keypoints_1 [%d] -- keypoints_2 [%d]\n", i,
goodMatches[i].queryIdx, goodMatches[i].trainIdx );
waitKey(0);
return 0;
}
实验结果：
从第二个实验结果可以看出，经过过滤之后特征点数目从49减少到33，匹配的准确度有所上升。当然也可以使用SIFT算子进行上述两种匹配实验，只需要将SurfFeatureDetector换成SiftFeatureDetector，将SurfDescriptorExtractor换成SiftDescriptorExtractor即可。
拓展
在FLANN匹配法的基础上，还可以进一步利用透视变换和空间映射找出已知物体（目标检测），具体来说就是利用findHomography函数利用匹配的关键点找出相应的变换，再利用perspectiveTransform函数映射点群。具体可以参考这篇文章：OpenCV中feature2D学习——SIFT和SURF算法实现目标检测。
声明：本网页内容旨在传播知识，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。TEL:177 7030 7066 E-MAIL:11247931@qq.com
