环境配置
1、安装G2O
解压缩.tar.gz格式文件
tar -zxvf 文件名.tar.gz
在文件夹内新建build并编译
mkdir build
cd build
cmake ..
make
2、安装Sophus
解压缩、编译同g2o
安装Sophus在make出错
代码编译
同上述编译方法编译ch7中的代码
运行编译出的可执行文件
./build/orb_cv 1.png 2.png
//-- 读取图像
Mat img_1 = imread(argv[1], CV_LOAD_IMAGE_COLOR);
Mat img_2 = imread(argv[2], CV_LOAD_IMAGE_COLOR);
//如果表达式为假(即结果为 0),assert 会触发程序终止,并输出一条错误消息
//图像以一维数组形式存储 ;data(uchar*)成员就是指向图像数据的第一个字节
assert(img_1.data != nullptr && img_2.data != nullptr);
//-- 初始化
/*
vector是表示可以改变大小的数组的序列容器,
可以使用指向其元素的常规指针上的偏移量来访问它们的元素,
与arrays不同,它们的大小可以动态变化,容器会自动处理它们的存储。
KeyPoint 是OpenCV库中定义的一个类,通常用于表示图像中的关键点
*/
std::vector<KeyPoint> keypoints_1, keypoints_2;
// 定义两个稠密矩阵用于存储描述子
Mat descriptors_1, descriptors_2;
//指向FeatureDetector的智能指针detector
Ptr<FeatureDetector> detector = ORB::create();
Ptr<DescriptorExtractor> descriptor = ORB::create();
Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming"); //选择了 Brute-Force 匹配器
//-- 第一步:检测 Oriented FAST 角点位置
chrono::steady_clock::time_point t1 = chrono::steady_clock::now(); //计录当前时间
detector->detect(img_1, keypoints_1); //执行第一次特征检测,将检测点存在keypoints_1
detector->detect(img_2, keypoints_2);
//-- 第二步:根据角点位置计算 BRIEF 描述子
//compute用于计算给定关键点集合的描述子,并存在descriptors_1中
descriptor->compute(img_1, keypoints_1, descriptors_1);
descriptor->compute(img_2, keypoints_2, descriptors_2);
chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
cout << "extract ORB cost = " << time_used.count() << " seconds. " << endl;
Mat outimg1;
/*
cv2.drawKeypoints(image, keypoints, outImage, color=None, flags=None)
image:原始图像
keypoints:特征点向量,向量内每一个元素是一个KeyPoint对象,包含了特征点的各种属性信息
outImage:特征点绘制的画布图像
color=None:绘制的特征点的颜色信息
Scalar::all表示Scalar 类的一个成员函数,用于创建一个所有通道值都相同的 Scalar 对象
*/
drawKeypoints(img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
imshow("ORB features", outimg1);
//-- 第三步:对两幅图像中的BRIEF描述子进行匹配,使用 Hamming 距离
vector<DMatch> matches;
t1 = chrono::steady_clock::now();
matcher->match(descriptors_1, descriptors_2, matches);
t2 = chrono::steady_clock::now();
time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
cout << "match ORB cost = " << time_used.count() << " seconds. " << endl;
//-- 第四步:匹配点对筛选
// 计算最小距离和最大距离
//matches.begin(), matches.end()定义了要查找的范围
auto min_max = minmax_element(matches.begin(), matches.end(),
[](const DMatch &m1, const DMatch &m2) { return m1.distance < m2.distance; });
double min_dist = min_max.first->distance;
double max_dist = min_max.second->distance;
printf("-- Max dist : %f \n", max_dist);
printf("-- Min dist : %f \n", min_dist);
//当描述子之间的距离大于两倍的最小距离时,即认为匹配有误.但有时候最小距离会非常小,设置一个经验值30作为下限.
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]);
}
}
未完待续