【笔记—特征点检测和匹配】

特征点检测和匹配

在OpenCV中，已经封装好了FAST算法的API，也就是FastFeatureDetector这一个类。当我们使用这个算法时，需要先通过FastFeatureDetector::create()这个方法来创建一个FAST特征检测器，其参数含义如下：

第一个参数thresh：就是算法过程中的阈值t，默认值为10；

第二个参数nonmaxSuppresiion：布尔值，默认值为true，表示是否使用非极大值抑制，如果为true则当某个中心像素点的灰度值不是其邻域中的最大值时，则将其淘汰掉，只保留在邻域中是最大值的中心像素点；如果为false则表示不使用非极大值抑制；

第三个参数DetectorType：检测邻域类型，有TYPE_5_8 、TYPE_7_12 、TYPE_9_16这几种可选类型，默认值为TYPE_9_16。

当我们创建好FAST特征检测器后，就可以通过detect（）方法来对图像进行FAST特征点检测，得到一幅图像的KeyPoint类型的FAST特征点。
演示代码：

 auto fast = FastFeatureDetector::create(20,true,FastFeatureDetector::DetectorType::TYPE_9_16);
    Mat image = imread("D:\\opencv_c++\\opencv_tutorial\\data\\images\\tem.jpg");
    vector<KeyPoint> keyPoints;
    fast->detect(image, keyPoints, Mat());//最新写法
    Mat result;
    drawKeypoints(image, keyPoints, result, Scalar::all(-1), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);
    imshow("image", image);
    imshow("result", result);

RANSAC算法在特征匹配中的应用

参考：RANSAC算法在特征匹配中的应用

RANSAC原理

OpenCV中滤除误匹配对采用RANSAC算法寻找一个最佳单应性矩阵H，矩阵大小为3×3。RANSAC目的是找到最优的参数矩阵使得满足该矩阵的数据点个数最多，通常令h33=1来归一化矩阵。由于单应性矩阵有8个未知参数，至少需要8个线性方程求解，对应到点位置信息上，一组点对可以列出两个方程，则至少包含4组匹配点对。

RANSAC算法步骤：

      1. 随机从数据集中随机抽出4个样本数据 (此4个样本之间不能共线)，计算出变换矩阵H，记为模型M；

      2. 计算数据集中所有数据与模型M的投影误差，若误差小于阈值，加入内点集 I ；

      3. 如果当前内点集 I 元素个数大于最优内点集 I_best , 则更新 I_best = I，同时更新迭代次数k ;

      4. 如果迭代次数大于k,则退出 ; 否则迭代次数加1，并重复上述步骤；

注：迭代次数k在不大于最大迭代次数的情况下，是在不断更新而不是固定的