#include<opencv2/opencv.hpp>
#include<iostream>
#include<vector>
using namespace cv;
using namespace std;
int main()
{
Mat srcImage = imread("NIBook.jpg");
imshow("【原图】", srcImage);
//对BGR空间的图像直接进行计算很费时间,所以,需要转换为灰度图
Mat srcGrayImage;
cvtColor(srcImage, srcGrayImage, CV_BGR2GRAY);
//首先对两幅图像进行特征点的检测和描述子的计算
vector<KeyPoint> keyPoint1;
ORB orb(400);
orb.detect(srcGrayImage, keyPoint1);
Mat descriImage1;
orb.compute(srcGrayImage, keyPoint1, descriImage1);
/****************************************************************/
flann::Index flannIndex(descriImage1, flann::LshIndexParams(12, 20, 2), cvflann::FLANN_DIST_HAMMING);
/****************************************************************/
VideoCapture capture;
capture.open(0);
capture.set(CV_CAP_PROP_FRAME_WIDTH, 360);
capture.set(CV_CAP_PROP_FRAME_HEIGHT, 900);
Mat frameImage, frameGrayImage;
while (waitKey(1) != 27)
{
opencv3中ORB算法描述与匹配
最新推荐文章于 2024-08-04 21:00:24 发布
该博客演示了如何在OpenCV3中应用ORB(Orb Feature Detector and Descriptor)算法进行特征点检测和描述子计算,并通过FLANN进行匹配,以实现从摄像头捕获的图像与预设图像的匹配。主要步骤包括:图像灰度化、ORB特征点检测与描述子计算、FLANN索引构建、实时帧处理以及匹配点的筛选与可视化展示。
摘要由CSDN通过智能技术生成