opencv4.5.1的编译与使用（BEBLID 描述子）

0、概述

• 看到OpenCV4.5.1新出了一个BEBLID 描述子，可以提高特征匹配的精度，所以赶紧编译一下opencv试试看。
• 但是在contrib模块中，所以干脆一起编译了。由于电脑GPU性能不是很好，编译非常慢，并且平时用的也很少，因此就暂时不带GPU编译了。

1、下载

1.1 opencv4.5.1下载

• opencv可以在这里下载。

1.2 opencv_contrib-4.5.1下载

• opencv_contrib可以在这里下载，注意下载与opencv对应版本的contrib，版本不一样会报错。

2、编译

• 使用工具：VS2017+cmake3.14.2

• 使用cnake二进制文件即可，打开cmake-gui.exe，找到opencv4.5.1的CMakeLists所在的路径，并打开，先点击Configure会出现如下界面：
  

• 按照以下图片依次配置：首先是编译opencv_world
  

• 然后是安装路径，可以修改为自己想要安装的路径
  

• 设置contrib模块路径
  

• 不带CUDA编译
  

• 一切准备就绪之后，再次点击Configure，开始下载对应的库，当然可能会有一些库下载不成功，比如：ippicv、opencv_videoio_ffmpeg等。这个时候可以通过cmake-gui的编译信息，查看到底是那些库下载不成功。

• 一种方式查看build目录下的CMakeDownloadLog.txt，可以修改下载的地址，然后下载，这个没有试过。

• 另一种方式是根据CMakeDownloadLog.txt对应的下载失败的各个库的链接地址，手动下载，然后放在对应的位置，下面以ippicv为例：
  

• 自己下载过程中，如果是家里的电信网，可能会出现github不能打开的问题。

• 搜索记事本程序，然后以管理员的方式运行记事本，打开C:\Windows\System32\drivers\etc
  这个目录下的hosts。
  

• 然后在末尾添加：

140.82.113.4 github.com
199.232.5.194 github.global.ssl.fastly.net
199.232.96.133 raw.githubusercontent.com

• 在ippicv下载完成后，找到opencv4.5.1中的缓存目录：
  
• 将下载好的ippicv按照缓存文件中的名称命名，然后将其替换掉。
  
• 其他没有下载成功的，也可以按照这种方式依次换掉，如果不想手动下载(一般浏览器下载比较缓慢，)可以使用迅雷下载，比较快)，这里有下载好的全部缓存。
• 在所有问题都准备完之后，那么可以打开之前构建的OpenCV.sln工程，开始编译OpenCV，在生成解决方案中可以选择批量生成，这样就不用了切换Debug和Release模式了。
  
• 安装部分也是一样
  
• 编译完成后可以得到包含debug和release的库：
  

3、简单例程

• 打开vs2017新建一个C++工程，在工程中配置opencv4.5.1库，配置方式可以参考这里。win10编译好的opencv4.5.1库可以在这里下载。

3.1 OpenCV库配置检验

#include <iostream>
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>

using namespace std;
using namespace cv;

int main()
{
	//-- 读取图像
	Mat img_1 = imread("1.png");

	cv::imshow("show", img_1);
	cv::waitKey();

	return 0;
}

• 显示一张图片：
  

3.2 OpenCV4.5.1特征匹配测试

	//-- 读取图像
	Mat img_1 = imread("1.png");
	Mat img_2 = imread("2.png");

	//-- 初始化，提取1000个ORB特征点
	std::vector<KeyPoint> keypoints_1, keypoints_2;
	Mat descriptors_1, descriptors_2;
	Ptr<FeatureDetector> detector = ORB::create(1000);

	Ptr<cv::xfeatures2d::BEBLID> beblid = cv::xfeatures2d::BEBLID::create(0.75, cv::xfeatures2d::BEBLID::SIZE_256_BITS);

	Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");

	//-- 第一步:检测 Oriented FAST 角点位置
	detector->detect(img_1, keypoints_1);
	detector->detect(img_2, keypoints_2);

	//-- 第二步:根据角点位置计算 BRIEF 描述子
	beblid->compute(img_1, keypoints_1, descriptors_1);
	beblid->compute(img_2, keypoints_2, descriptors_2);

	Mat outimg1, outimg2;
	drawKeypoints(img_1, keypoints_1, outimg1, Scalar(0, 255, 0), DrawMatchesFlags::DEFAULT);
	drawKeypoints(img_2, keypoints_2, outimg2, Scalar(0, 255, 0), DrawMatchesFlags::DEFAULT);

	//-- 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;
	//BFMatcher matcher ( NORM_HAMMING );
	matcher->match(descriptors_1, descriptors_2, matches);

	//-- 第四步:匹配点对筛选
	double min_dist = 10000, max_dist = 0;

	//找出所有匹配之间的最小距离和最大距离, 即是最相似的和最不相似的两组点之间的距离
	for (int i = 0; i < descriptors_1.rows; i++)
	{
		double dist = matches[i].distance;
		if (dist < min_dist) min_dist = dist;
		if (dist > max_dist) max_dist = dist;
	}

	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]);
		}
	}

	//-- 第五步:绘制匹配结果
	Mat img_goodmatch;
	drawMatches(outimg1, keypoints_1, outimg2, keypoints_2, good_matches, img_goodmatch, Scalar(0, 255, 255), Scalar(0, 255, 0));

	cv::imshow("match", img_goodmatch);
	cv::waitKey();

	return 0;

• 显示一个匹配结果：