OpenCV的SIFT特征点提取及RANSAC去除误检测

关于SIFT的讲解，参考：http://blog.csdn.net/zddblog/article/details/7521424

关于SANCAS的讲解，参考：http://blog.csdn.net/laobai1015/article/details/51682596

SIFT（Scale Invariant Feature Transform）多尺度特征点提取算法在nonfree文件内集成。

RANSAC（Random Sample Consensus）随机抽样一致算法在calib3d文件内集成。

主要的思路是：

（1）利用SiftFeatureDetector类对象提取SIFT特征点；

（2）利用SiftDescriptorExtractor类对象进行特征点的特征提取；

（3）利用BFMatcher类对象实现初步匹配；

（注意：在第3步中，实际上已经完成SIFT特征点的提取与匹配，但是会有较多的无匹配，因此后面的步骤主要思路是利用RANSAC方法去除误匹配）

（4）利用2-范数特征阈值初步筛选去除误匹配；

（6）利用findFundamentalMat函数实现RANSAC算法。

文件头如下：

1. #include <opencv2/opencv.hpp>  
2. #include <iostream>  
3. #include <opencv2/nonfree/nonfree.hpp>  
4. #include <opencv2/features2d/features2d.hpp>  

代码如下：

1. Mat Limg = imread("Limage.png", CV_LOAD_IMAGE_ANYDEPTH);  
2. Mat Rimg = imread("Rimage.png", CV_LOAD_IMAGE_ANYDEPTH);  
3. // detecting keypoints  
4. SiftFeatureDetector detector(0, 3, 0.04, 10, 1.6);  
5. // (特征点数目-按sift特征质量排序，金字塔中每组的层数，过滤的阈值，边缘效应阈值，高斯滤波系数)  
6. vector<KeyPoint> Lkeypoints, Rkeypoints;  
7. detector.detect(Limg, Lkeypoints);  
8. detector.detect(Rimg, Rkeypoints);  
9. // computing descriptors  
10. // SiftDescriptorExtractor extractor;  
11. SiftDescriptorExtractor extractor;  
12. Mat Ldescriptors, Rdescriptors;  
13. extractor.compute(Limg, Lkeypoints, Ldescriptors);  
14. extractor.compute(Rimg, Rkeypoints, Rdescriptors);  
15. // matching descriptors  
16. BFMatcher matcher(NORM_L1);  //> 对应sift  
17. vector<DMatch> matches;  
18. matcher.match(Ldescriptors, Rdescriptors, matches);  
19. //   
20. namedWindow("matches", CV_WINDOW_FREERATIO);  
21. Mat img_matches;  
22. drawMatches(Limg, Lkeypoints, Rimg, Rkeypoints, matches, img_matches);  
23. imshow("matches", img_matches);  
24. // coordination of match-feature-point  
25. vector<Point2f> Lp, Rp;  
26. for (size_t m = 0; m < matches.size(); m++)  
27. {  
28.     int i1 = matches[m].queryIdx;  
29.     int i2 = matches[m].trainIdx;  
30.     Mat Ldesc = Ldescriptors.row(i1);  
31.     Mat Rdesc = Rdescriptors.row(i2);  
32.     double EuclideanDist = norm(Ldesc, Rdesc);  
33.     if (EuclideanDist <= 50)  
34.     {  
35.         const KeyPoint &kp1 = Lkeypoints[i1], &kp2 = Rkeypoints[i2];  
36.         Lp.push_back(kp1.pt);  
37.         Rp.push_back(kp2.pt);  
38.     }  
39. }  
40. // 用RANSAC方法计算基本矩阵&去除误匹配    
41. Mat Fundamental;  
42. vector<uchar> RANSACStatus;  
43. Fundamental = findFundamentalMat(Lp, Rp, RANSACStatus, CV_FM_RANSAC, 3.0, 0.995);  
44. // 筛选特征点  
45. vector<Point2f> Lpoint, Rpoint;  
46. vector<DMatch> m_match;  
47. int idxnum = 0;  
48. for (int i = 0; i < RANSACStatus.size(); i++)  
49. {  
50.     if (RANSACStatus[i] != 0)  
51.     {  
52.         Lpoint.push_back(Lp[i]);  
53.         Rpoint.push_back(Rp[i]);  
54.         idxnum++;  
55.     }  
56. }     
57. m_match.resize(idxnum);  
58. for (int idx = 0; idx < idxnum; idx++)  
59. {  
60.     // 用于匹配验证  
61.     m_match[idx].queryIdx = idx;  
62.     m_match[idx].trainIdx = idx;  
63. }  
64. // 把内点转换为drawMatches可以使用的格式    
65. vector<KeyPoint> Lkp(idxnum);  
66. vector<KeyPoint> Rkp(idxnum);  
67. KeyPoint::convert(Lpoint, Lkp);  
68. KeyPoint::convert(Rpoint, Rkp);  
69. // 显示筛选后的特征点  
70. namedWindow("m_match", CV_WINDOW_FREERATIO);  
71. Mat m_matches;  
72. drawMatches(Limg, Lkp, Rimg, Rkp, m_match, m_matches);  
73. imshow("m_match", m_matches);  

其中，

第20-23行展示的是SIFT特征点经过BFMatch之后的结果，一般来说误匹配较多，效果不理想；

第70-73行展示的是SIFT特征点经过RANSAC之后的结果，一般来说效果好很多。