OpenCV系列之特征匹配 | 四十四

最新推荐文章于 2024-08-20 23:13:01 发布

woshicver

最新推荐文章于 2024-08-20 23:13:01 发布

阅读量632

点赞数 2

本文链接：https://blog.csdn.net/woshicver/article/details/105140927

版权

本章介绍如何在OpenCV中进行特征匹配，使用Brute-Force匹配器（包括ORB描述符和SIFT描述符的匹配）以及基于FLANN的快速匹配。通过BFMatcher对象实现匹配，启用CrossCheck提高匹配质量，并应用比例测试。最后，探讨了FLANN库在大型数据集上的优势和配置参数。

摘要由CSDN通过智能技术生成

目标

在本章中，

我们将看到如何将一个图像中的特征与其他图像进行匹配。
我们将在OpenCV中使用Brute-Force匹配器和FLANN匹配器

Brute-Force匹配器的基础

蛮力匹配器很简单。它使用第一组中一个特征的描述符，并使用一些距离计算将其与第二组中的所有其他特征匹配。并返回最接近的一个。

对于BF匹配器，首先我们必须使用cv.BFMatcher()创建BFMatcher对象。
它需要两个可选参数。第一个是normType，它指定要使用的距离测量。默认情况下为cv.NORM_L2。对于SIFT，SURF等（也有cv.NORM_L1）很有用。
对于基于二进制字符串的描述符，例如ORB，BRIEF，BRISK等，应使用cv.NORM_HAMMING，该函数使用汉明距离作为度量。如果ORB使用WTA_K == 3或4，则应使用cv.NORM_HAMMING2。

第二个参数是布尔变量，即crossCheck，默认情况下为false。如果为true，则Matcher仅返回具有值(i，j)的那些匹配项，以使集合A中的第i个描述符具有集合B中的第j个描述符为最佳匹配，反之亦然。即两组中的两个特征应彼此匹配。它提供了一致的结果，并且是D.Lowe在SIFT论文中提出的比率测试的良好替代方案。

创建之后，两个重要的方法是BFMatcher.match()和BFMatcher.knnMatch()。第一个返回最佳匹配。第二种方法返回k个最佳匹配，其中k由用户指定。当我们需要对此做其他工作时，它可能会很有用。

就像我们使用cv.drawKeypoints()绘制关键点一样，cv.drawMatches()可以帮助我们绘制匹配项。它水平堆叠两张图像，并绘制从第一张图像到第二张图像的线，以显示最佳匹配。还有cv.drawMatchesKnn绘制所有k个最佳匹配。如果k=2，它将为每个关键点绘制两条匹配线。因此，如果要选择性地绘制，则必须通过掩码。

让我们来看一个SIFT和ORB的示例（两者都使用不同的距离测量）。