特征识别和匹配

目录

一，特征识别

二，特征匹配

三，变换求解

---

一，特征识别

常用的有ORB、SIFT、SURF

c++ opencv中的SURF不是免费开源的，ORB、SIFT是免费开源的。

这里以SIFT为例

vector<KeyPoint> keyPoints;
Mat descriptors;
Ptr<cv::SIFT> detector = cv::SIFT::create(); //创建一个检测器
detector->detectAndCompute(img, Mat(), keyPoints, descriptors);

每个特征点由2部分数据组成，一个是KeyPoint，里面是特征点的具体坐标，一个是描述符，里面是描述特征的向量。

特征识别的输出结果是一堆特征点，vector<KeyPoint> keyPoints里面放所有的坐标，Mat descriptors相当于矩阵，里面放所有的描述符向量。

即，vector<KeyPoint> keyPoints的长度和Mat descriptors的行数一致，按顺序对应。

如果是ORB：

vector<KeyPoint> keyPoints;
Mat descriptors;
cv::Ptr<cv::ORB> orb = cv::ORB::create();//创建一个检测器
orb->detectAndCompute(img, Mat(), keyPoints, descriptors);

二，特征匹配

参考匹配器

这里以knnMatch为例

vector<vector<DMatch>> matches;
try {
	FlannBasedMatcher().knnMatch(descriptors2, descriptors1, matches, 2);
}
catch (Exception &e) {
	cout << e.what();
}
vector<DMatch> goodMatch;
for (int i = 0; i < matches.size(); i++)goodMatch.push_back(matches[i][0]);

这样就拿到了vector<DMatch> goodMatch，长度取决于descriptors2和descriptors1中长度的较小值。

DMatch里面存着2个特征列表的id，按照id去把对应的特征点依次扣出来，即得到2个匹配好的特征列表。

三，变换求解

根据2个匹配好的特征列表，求仿射变换

vector<Point2f> target_pts, template_pts;
Mat inliers, homography;
homography = cv::findHomography(target_pts, template_pts, RANSAC, 5, inliers);

输出的inliers是一个1列的矩阵，每一行的数表示对应的2个特征是否真实匹配上。

输出的homography 是一个3*3的矩阵，表示的变换含义如下：