特征匹配中OpenCV Dmatch类的用法解析以及非常详细的ORB特征提取与匹配解析

首先说明一点，在SLAM中进行特征提取和匹配时，需要注意使用的OpenCV版本，在使用OpenCV2.x版本时，可以创建特征对象如下所示（省略了参数表）：

ORB orb;
SURF surf;
SIFT sift;

orb.detect();
sift.detect();
surf.detect();

但是OpenCV3.X中就不允许这么做了，这是因为，opencv3.0直接使用 ORB orb时，ORB里面没有构造方法，只有一个静态的create。所以特征提取时，就只能使用以下方式：

Ptr orb=ORB::create()//参数表省略了，具体可查看官方文档，或者输入VS2015等IDE看智能提示；

下面重点说一下，DMatch类，在OpenCV2.x中Dmatch为结构体数据类型，在OpenCV3.x中为Class类型。在OpenCV3.x中的定义为：

class CV_EXPORTS_W_SIMPLE DMatch
{
public:
    CV_WRAP DMatch();
    CV_WRAP DMatch(int _queryIdx, int _trainIdx, float _distance);
    CV_WRAP DMatch(int _queryIdx, int _trainIdx, int _imgIdx, float _distance);

    CV_PROP_RW int queryIdx; // query descriptor index
    CV_PROP_RW int trainIdx; // train descriptor index
    CV_PROP_RW int imgIdx;   // train image index

    CV_PROP_RW float distance;

    // less is better
    bool operator<(const DMatch &m) const;
};

一个匹配器尝试在一副或一组图中匹配一幅图中的关键点，如果匹配成功，将返回 cv::DMatch 的列表，说人话：Dmatch对象保存的是匹配成功的结果，当然这个匹配结果里面包含了不少的误匹配。

成员说明：

queryIdx : 查询点的索引（当前要寻找匹配结果的点在它所在图片上的索引）.

trainIdx : 被查询到的点的索引（存储库中的点的在存储库上的索引）
distance： 为两个描述子之间的距离
举个例子：下面给出提取ORB特征并进行匹配的过程（基于OpenCV3.2），以及DMatch对象的用法。下面使用的两张图盘我就不上传了，随便找一张图片，然后截图一部分当做另一张图片，一般而言，截图出来的那部分图片，当做第一张，也就是train，完整的是第二张也就是query。运行环境：VS2015+OpenCV3.2.0

#include <iostream>
#include "opencv2/opencv.hpp"
#include "opencv2/core/core.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/highgui/highgui.hpp"
using namespace cv;
using namespace std;
int main(int argc, char** argv)
{
	Mat obj = imread("1.jpg");   //载入目标图像
	Mat scene = imread("2.jpg"); //载入场景图像
	if (obj.empty() || scene.empty())
	{
		cout << "Can't open the picture!\n";
		return 0;
	}
	vector<KeyPoint> obj_keypoints, scene_keypoints;
	Mat obj_descriptors, scene_descriptors;
	//ORB detector;     //采用ORB算法提取特征点
	//ORB orb;
	Ptr<ORB> detector = ORB::create(500, 1.2f, 8, 31, 0, 2, ORB::HARRIS_SCORE, 31, 20);
	detector->detect(obj, obj_keypoints);
	detector->detect(scene, scene_keypoints);
	detector->compute(obj, obj_keypoints, obj_descriptors);
	detector-> compute(scene, scene_keypoints, scene_descriptors);
	BFMatcher matcher(NORM_HAMMING, true); //汉明距离做为相似度度量
	
	//匹配结果放在matches里面
	vector<DMatch> matches;
	matcher.match(obj_descriptors, scene_descriptors, matches);//匹配成功的点对数为257,
	
	//按照匹配关系将图画出来，背景图为match_img
	Mat match_img;
	drawMatches(obj, obj_keypoints, scene, scene_keypoints, matches, match_img);
	imshow("滤除误匹配前", match_img);

	//保存匹配对序号
	vector<int> queryIdxs(matches.size()), trainIdxs(matches.size());
	for (size_t i = 0; i < matches.size(); i++)
	{
		queryIdxs[i] = matches[i].queryIdx;//取出查询图片中匹配的点对的索引即id号；那么queryIdxs、trainIdxs都为257
		trainIdxs[i] = matches[i].trainIdx;//取出训练图片中匹配的点对的索引即id号；
	}

	Mat H12;   //变换矩阵

	vector<Point2f> points1; 
	KeyPoint::convert(obj_keypoints, points1, queryIdxs);//KeyPoint根据索引转point2f坐标
	vector<Point2f> points2; 
	KeyPoint::convert(scene_keypoints, points2, trainIdxs);//同上
	int ransacReprojThreshold = 3;  //拒绝阈值

	cout << "matches size = " << matches.size() << endl;
	H12 = findHomography(Mat(points1), Mat(points2), CV_RANSAC, ransacReprojThreshold);//计算单应矩阵
	vector<char> matchesMask(matches.size(), 0);//用于内点标记使用
	Mat points1t;
	perspectiveTransform(Mat(points1), points1t, H12);//对输入二维点做透视变换，变换后的结果保存在points1t中
	for (size_t i1 = 0; i1 < points1.size(); i1++)  //保存‘内点’
	{
		if (norm(points2[i1] - points1t.at<Point2f>((int)i1, 0)) <= ransacReprojThreshold) //给内点做标记
		{
			matchesMask[i1] = 1;
		}
	}
	Mat match_img2;   //滤除‘外点’后
	drawMatches(obj, obj_keypoints, scene, scene_keypoints, matches, match_img2, Scalar(0, 0, 255), Scalar::all(-1), matchesMask);

	//画出目标位置
	std::vector<Point2f> obj_corners(4);
	obj_corners[0] = cvPoint(0, 0); obj_corners[1] = cvPoint(obj.cols, 0);
	obj_corners[2] = cvPoint(obj.cols, obj.rows); obj_corners[3] = cvPoint(0, obj.rows);
	std::vector<Point2f> scene_corners(4);
	perspectiveTransform(obj_corners, scene_corners, H12);
	line(match_img2, scene_corners[0] + Point2f(static_cast<float>(obj.cols), 0),
		scene_corners[1] + Point2f(static_cast<float>(obj.cols), 0), Scalar(0, 0, 255), 2);
	line(match_img2, scene_corners[1] + Point2f(static_cast<float>(obj.cols), 0),
		scene_corners[2] + Point2f(static_cast<float>(obj.cols), 0), Scalar(0, 0, 255), 2);
	line(match_img2, scene_corners[2] + Point2f(static_cast<float>(obj.cols), 0),
		scene_corners[3] + Point2f(static_cast<float>(obj.cols), 0), Scalar(0, 0, 255), 2);
	line(match_img2, scene_corners[3] + Point2f(static_cast<float>(obj.cols), 0),
		scene_corners[0] + Point2f(static_cast<float>(obj.cols), 0), Scalar(0, 0, 255), 2);

	imshow("滤除误匹配后", match_img2);
	waitKey(0);

	return 0;
}

本身对上述代码中Dmatch理解并不透彻，于是进行了单步调试：
运行至43行时，结果如下：

看出两幅图的匹配点对数为257对：第一对匹配点为：查询图片的第1个特征点匹配训练图片的第231个特征点，4-264,5-307,7-92，等等等等。
这样就可以取出匹配点对的id，继而进行下一步操作。
有需要的话，再继续讲下去。