Shi-Tomas检测和SIFT角点匹配

Shi-Tomas角点检测与SIFT匹配

Harris 角点检测是一种最为常见的方法，但其运算量大，计算速度慢，因此不怎么受宠，Shi-Tomas角点检测运行速度快，且其原理简单，SIFT匹配适用于旋转、尺度变换，且对视觉变化、放射变换、噪声也保持一定程度的稳定性，最重要的是能与其他形式的特征向量进行联合。

本文创新点：将Shi-Tomas角点检测于SIFT匹配结合使用，且进行了亚像素检测，通过多种方法的比较和验证得出这两种方法结合使用效果均优于其他方法。

1. 常用的角点检测方法：Moravec角点检测、FAST角点检测、Harris角点检测和Shi-Tomas角点检测。

2. 图像的匹配分为特征点匹配和灰度匹配。

3. 角点匹配可以分为以下四个步骤：

1.提取检测子：在两张待匹配的图像中寻找那些最容易识别的像素点（角点），比如纹理丰富的物体边缘点等。

2.提取描述子：对于检测出的角点，用一些数学上的特征对其进行描述，如梯度直方图，局部随机二值特征等。

​ 检测子和描述子的常用提取方法有:SIFT, Harris, Surf, Fast, Agast, Brisk, Freak, Brisk,Orb等。

3.匹配：通过各个角点的描述子来判断它们在两张图像中的对应关系。常用方法如FLANN.

4.去外点：去除错误匹配的外点，保留正确的内点。常用方法有Ransac, GTM。

4. 部分源代码

代码原创，且已封装为函数，可直接调用

void  ImageFeatureMatch(Mat &Image1, Mat &Image2, vector<CVertex4>& Vertexes, Mat &img_matches)
{
	vector<DMatch> matches;
	float Error=50;
	Mat image1_Corner_graysrcImage, image2_Corner_graysrcImage;
	vector<Point2f> image1_Corners, image2_Corners;
	vector<KeyPoint> image1_Keypoints, image2_Keypoints;
	double qualityLevel = 0.01; //角点检测可接受的最小特征值
	int blockSize = 3; //计算导数自相关矩阵时指定的邻域范围
	double k = 0.04; //权重系数
	int G_maxCornerNumber = 1000,
		MaxTrackbar_minDistance = 20,
		G_maxTrackbar_CornerNumber = 1000,
		MinDistance = 1;

	cvtColor(Image1,image1_Corner_graysrcImage,  COLOR_BGR2GRAY);//图像灰度化处理
	cvtColor(Image2,image2_Corner_graysrcImage,  COLOR_BGR2GRAY);
	
	goodFeaturesToTrack(image1_Corner_graysrcImage,//输入图像
		image1_Corners,//检测到的角点的输出向量
		G_maxCornerNumber,//角点的最大数量
		qualityLevel,//角点检测可接受的最小特征值
		MinDistance,//角点之间的最小距离
		Mat(),//感兴趣区域
		blockSize,//计算导数自相关矩阵时指定的邻域范围
		false,//不使用Harris角点检测
		k);//权重系数
		
	goodFeaturesToTrack(image2_Corner_graysrcImage, image2_Corners, G_maxCornerNumber, qualityLevel,
		MinDis