利用surf特征对票据做归一化

最近正在做一个票据识别归一化的项目，主要实现的功能是把图片归一化成跟模板一样的图片。
首先这边先说明下，这个算法适应图片的版面上有较多的不变特征，如果图片上有较多的不变特征，还可以用此算法做边框切割（算法有做透视变换，连透视变换都省了）。

例如：
这张是模板图片（模板是选用不变特征来做成的，这样会提高准确率，用标准一点的图片做模板也是可以的）：

这张是待归一化的图片：

实现的功能是把待归一化的图片处理成与模板图片一样的图片（主要是为之后的切片），处理后的图片：

这样就能把原始图片与模板图片每个像素点都对应上，方便之后的处理。

算法的具体流程：
1：surf特征的提取（如果特征点太多，会根据模板的特征点数进行一次原始图片的特征提取，主要是为了减少匹配的时间）；

SurfFeatureDetector surfDetector(1000);   
    vector<KeyPoint> keyPoint1,keyPoint2;    
    surfDetector.detect(image1,keyPoint1);    
    surfDetector.detect(image2,keyPoint2); 

    if (keyPoint1.size() > keyPoint2.size() * 4)
    {
        keyPoint1.clear();
        SurfFeatureDetector surfDetector(3000);  
        surfDetector.detect(image1,keyPoint1);  
    }
    else if (keyPoint1.size() > keyPoint2.size() * 3)
    {
        keyPoint1.clear();
        SurfFeatureDetector surfDetector(2500); 
        surfDetector.detect(image1,keyPoint1);  
    }
    else if (keyPoint1.size() > keyPoint2.size() * 2.5)
    {
        keyPoint1.clear();
        SurfFeatureDetector surfDetector(2000);  
        surfDetector.detect(image1,keyPoint1);  
    }
    else if (keyPoint1.size() > keyPoint2.size() * 2)
    {
        keyPoint1.clear();
        SurfFeatureDetector surfDetector(1500);  
        surfDetector.detect(image1,keyPoint1);  
    }

2：特征点描述；

SurfDescriptorExtractor SurfDescriptor;
    Mat imageDesc1, imageDesc2;
    SurfDescriptor.compute(image1, keyPoint1, imageDesc1);
    SurfDescriptor.compute(image2, keyPoint2, imageDesc2);

3：根据FLANN匹配器进行匹配，并进行筛选；

FlannBasedMatcher matcher;
    vector< DMatch > matches;
    vector<vector<DMatch>> m_knnMatches;

    float minRatio = 1.f / 1.5f;
    matcher.knnMatch(imageDesc1,imageDesc2,m_knnMatches,2);  
    //sort(m_knnMatches.begin(),m_knnMatches.end()); //特征点排序 

    cout << "m_knnMatches个数：" << m_knnMatches.size() << endl;

    for (int i = 0; i<m_knnMatches.size(); i++)
    {
        float distanceRatio = m_knnMatches[i][0].distance / m_knnMatches[i][1].distance;
        //cout<<"distanceRatio:%f"<<distanceRatio<<endl;

        if (distanceRatio <= minRatio)
        {
            matches.push_back(m_knnMatches[i][0]);
        }
    }

    cout << "matches个数：" << matches.size() << endl;

4：根据筛选过的点求取变换矩阵；

“`
Mat homo = findHomography(imagePoints1, imagePoints2, CV_RANSAC);

5：这步是根据变换矩阵进行校验，校验函数judgeHome(&homo)，这是自己写的函数，可以把矫正错的图片给筛选出来。

6：变换矩阵求出来后那只要透视变换就好了，我用的是 warpPerspective(yImage2, imageTransform1, homo, Size(mImage1.cols, mImage1.rows));

筛选匹配点后的图片：

在这边看图片上还是会有一小部分的特征匹配错了，不过对于大部分点有匹配对就想了，在求取变换矩阵是会选择正确的匹配点的，现在也有在做匹配点的筛选，还没完成就是了，findHomography会比较复杂点，大家有兴趣可以去看看。

改进方向：
1：建立多个模板，可以把模板的特征放在文件里，可以写多个模板进去，然后去匹配，找到最匹配的模板进行归一化，这样会提高准确率。
2：错误匹配点的去除也会提高准确率；
3：试了下用这样的算法去做证件类型的边框切割，感觉效果还可以（比如军官证，户口本之类的），接下来会尝试这方面的尝尝。