OpenCV中特征检测，提取与匹配使用方法学习

最近在学习OpenCV，一般看官方一边看书，发现自己原来用的很多接口早已被更新，分享一下学习心得体会，也希望大家可以不吝赐教！
        首先看到在Mastering OpenCV with Practical Computer Vision Projects书中，特征点检测，特征点描述（特征提取），特征点匹配用了以下代码：

[cpp]  view plain copy

1. cv::Ptr<cv::FeatureDetector> detector = new cv::ORB(1000);            // 创建orb特征点检测  
2. cv::Ptr<cv::DescriptorExtractor> extractor = new cv::FREAK(true, true);       // 用Freak特征来描述特征点  
3. cv::Ptr<cv::DescriptorMatcher> matcher = new cv::BFMatcher(cv::NORM_HAMMING,  // 特征匹配，计算Hamming距离  

 看到这段代码的时候很疑惑，为什么可以这么写呢？跟到feature2D.hpp中看了看，发现：

[html]  view plain copy

1. class CV_EXPORTS_W ORB : public Feature2D  
2.   
3. class CV_EXPORTS_W Feature2D : public FeatureDetector, public DescriptorExtractor  

        原来ORB，Feature2D，FeatureDetecter以及DescriptorExtractor之间是这样的继承关系，所以我们可以new一个ORB对象给FeatureDetecter指针了。再搜索一下文档和头文件，还有更多的检测方法，特征描述可以使用。其中ORB既可以作为检测器，也可以作特征提取。
        可以作为检测器的还有BRISK，MSER（特征区域），FastFeatureDetector（应该就是Orb吧？），StarDetector等等。
        可以作特征提取的描述器包括BriefDescriptorExtractor（应该就是Orb吧？）Freak，OpponentColorDescriptorExtractor等等。
        原来OpenCV提供了好多现成的方法，好方便……感叹一下，以前辛辛苦苦码的代码很多就浪费了，用好工具还是很重要那！>_< 顺带一提的是，2.4.5中新增的CLAHE二值化方法也是类似的调用方法：

[cpp]  view plain copy

1. cv::Ptr<cv::CLAHE> cl = createCLAHE(80, Size(4, 4))  
2. cl->apply(imSrc, ImDst);  

       特征提取好了以后，OpenCV也提供了非常方便的特征匹配函数，继承于DescriptorMatcher类，包括BFMatcher，FlannBasedMatcher。这部分文档还没细看……欢迎大家指导！
CV自带的特征匹配和特征匹配结果绘制函数简直易用的令人发指……请看：

[html]  view plain copy

1. vector<DMatch> matches;  
2. matcher->match(descriptors1, descriptors2, matches);  
3. Mat imResultOri;  
4. drawMatches(img1, keypoints1, img2, keypoints2, matches, imResultOri, CV_RGB(0,255,0), CV_RGB(0,255,0));  

        我和我的小伙伴都惊呆了……
        当然啦，做完特征点匹配，我们还可以通过RANSAC方法计算透视变换矩阵来筛选符合相同透视的特征点，这样做可以去除很多错误的匹配。

[cpp]  view plain copy

1. std::vector<unsigned char> inliersMask(srcPoints.size());  

[cpp]  view plain copy

1. <span style="font-family: Arial, Helvetica, sans-serif;">homography = cv::findHomography(srcPoints, dstPoints, CV_FM_RANSAC, reprojectionThreshold, inliersMask);</span>  

        到此，一个简单的匹配任务就算是完成啦。
        看完这部分内容最大的心得体会就是，作为一个写工程代码的人来说，要好好的去学习和掌握工具，可以避免好多没有意义的重复劳动。
        跑了一个例子：

运行结果：

特征匹配：

一致的透视变换：

光流：

        以上使用的代码是Mastering OpenCV with Practical Computer Vision Projects书上的源码经整理以后的代码，顺便尝试了一下光流算法的调用。通过对这段源码的学习，基本能够掌握OpenCV2.4版本以后检测，特征提取与匹配方法。如果调用遇到困难，还是可以直接查看源码来的更快捷。

[cpp]  view plain copy

1. #include <iostream>  
2. #include <fstream>  
3. #include <sstream>  
4.   
5. #include "opencv2/opencv.hpp"  
6.   
7. using namespace cv;  
8. using namespace std;  
9.   
10. void KeyPointsToPoints(vector<KeyPoint> kpts, vector<Point2f> &pts);  
11.   
12. bool refineMatchesWithHomography(  
13.         const std::vector<cv::KeyPoint>& queryKeypoints,  
14.         const std::vector<cv::KeyPoint>& trainKeypoints,  
15.         float reprojectionThreshold, std::vector<cv::DMatch>& matches,  
16.         cv::Mat& homography);  
17.   
18. /** @function main */  
19. int main(int argc, char* argv[]) {  
20.   
21.     /************************************************************************/  
22.     /* 特征点检测，特征提取，特征匹配，计算投影变换                            */  
23.     /************************************************************************/  
24.   
25.     // 读取图片  
26.     Mat img1Ori = imread("1.jpg", 0);  
27.     Mat img2Ori = imread("2.jpg", 0);  
28.   
29.     // 缩小尺度  
30.     Mat img1, img2;  
31.     resize(img1Ori, img1, Size(img1Ori.cols / 4, img1Ori.cols / 4));  
32.     resize(img2Ori, img2, Size(img2Ori.cols / 4, img2Ori.cols / 4));  
33.   
34.     cv::Ptr<cv::FeatureDetector> detector = new cv::ORB(1000);                        // 创建orb特征点检测  
35.     cv::Ptr<cv::DescriptorExtractor> extractor = new cv::FREAK(true, true);           // 用Freak特征来描述特征点  
36.     cv::Ptr<cv::DescriptorMatcher> matcher = new cv::BFMatcher(cv::NORM_HAMMING,  // 特征匹配，计算Hamming距离  
37.             true);  
38.   
39.     vector<KeyPoint> keypoints1;  // 用于保存图中的特征点     
40.     vector<KeyPoint> keypoints2;    
41.     Mat descriptors1;               // 用于保存图中的特征点的特征描述  
42.     Mat descriptors2;                 
43.   
44.     detector->detect(img1, keypoints1);      // 检测第一张图中的特征点  
45.     detector->detect(img2, keypoints2);        
46.       
47.     extractor->compute(img1, keypoints1, descriptors1);      // 计算图中特征点位置的特征描述  
48.     extractor->compute(img2, keypoints2, descriptors2);  
49.   
50.     vector<DMatch> matches;  
51.     matcher->match(descriptors1, descriptors2, matches);  
52.   
53.     Mat imResultOri;  
54.     drawMatches(img1, keypoints1, img2, keypoints2, matches, imResultOri,  
55.             CV_RGB(0,255,0), CV_RGB(0,255,0));  
56.     cout << "[Info] # of matches : " << matches.size() << endl;  
57.   
58.     Mat matHomo;  
59.     refineMatchesWithHomography(keypoints1, keypoints2, 3, matches, matHomo);  
60.     cout << "[Info] Homography T : " << matHomo << endl;  
61.     cout << "[Info] # of matches : " << matches.size() << endl;  
62.   
63.     Mat imResult;  
64.     drawMatches(img1, keypoints1, img2, keypoints2, matches, imResult,  
65.             CV_RGB(0,255,0), CV_RGB(0,255,0));  
66.   
67.     // 计算光流  
68.     vector<uchar> vstatus;  
69.     vector<float> verrs;  
70.     vector<Point2f> points1;  
71.     vector<Point2f> points2;  
72.     KeyPointsToPoints(keypoints1, points1);  
73.   
74.     calcOpticalFlowPyrLK(img1, img2, points1, points2, vstatus, verrs);  
75.   
76.     Mat imOFKL = img1.clone();  
77.     for (int i = 0; i < vstatus.size(); i++) {  
78.         if (vstatus[i] && verrs[i] < 15) {  
79.             line(imOFKL, points1[i], points2[i], CV_RGB(255,255,255), 1, 8, 0);  
80.             circle(imOFKL, points2[i], 3, CV_RGB(255,255,255), 1, 8, 0);  
81.         }  
82.     }  
83.   
84.   
85.     imwrite("opt.jpg", imOFKL);  
86.     imwrite("re1.jpg", imResultOri);  
87.     imwrite("re2.jpg", imResult);  
88.   
89.     imshow("Optical Flow", imOFKL);  
90.     imshow("origin matches", imResultOri);  
91.     imshow("refined matches", imResult);  
92.     waitKey();  
93.   
94.     return -1;  
95. }  
96.   
97. bool refineMatchesWithHomography(  
98.         const std::vector<cv::KeyPoint>& queryKeypoints,  
99.         const std::vector<cv::KeyPoint>& trainKeypoints,  
100.         float reprojectionThreshold, std::vector<cv::DMatch>& matches,  
101.         cv::Mat& homography) {  
102.     const int minNumberMatchesAllowed = 8;  
103.   
104.     if (matches.size() < minNumberMatchesAllowed)  
105.         return false;  
106.   
107.     // Prepare data for cv::findHomography  
108.     std::vector<cv::Point2f> srcPoints(matches.size());  
109.     std::vector<cv::Point2f> dstPoints(matches.size());  
110.   
111.     for (size_t i = 0; i < matches.size(); i++) {  
112.         srcPoints[i] = trainKeypoints[matches[i].trainIdx].pt;  
113.         dstPoints[i] = queryKeypoints[matches[i].queryIdx].pt;  
114.     }  
115.   
116.     // Find homography matrix and get inliers mask  
117.     std::vector<unsigned char> inliersMask(srcPoints.size());  
118.     homography = cv::findHomography(srcPoints, dstPoints, CV_FM_RANSAC,  
119.             reprojectionThreshold, inliersMask);  
120.   
121.     std::vector<cv::DMatch> inliers;  
122.     for (size_t i = 0; i < inliersMask.size(); i++) {  
123.         if (inliersMask[i])  
124.             inliers.push_back(matches[i]);  
125.     }  
126.   
127.     matches.swap(inliers);  
128.     return matches.size() > minNumberMatchesAllowed;  
129. }  
130.   
131. void KeyPointsToPoints(vector<KeyPoint> kpts, vector<Point2f> &pts) {  
132.     for (int i = 0; i < kpts.size(); i++) {  
133.         pts.push_back(kpts[i].pt);  
134.     }  
135.   
136.     return;  
137. }  

原文地址：http://blog.csdn.net/u010141147/article/details/9464571