OpenCV4.4 中SIFT特征匹配调用演示

OpenCV学堂

发布于 2020-08-06 23:23:29

2.8K0

发布于 2020-08-06 23:23:29

文章被收录于专栏：贾志刚-OpenCV学堂贾志刚-OpenCV学堂

大家好，听说OpenCV4.4 已经把SIFT跟SURF特征提取又重新get回来了，可以不需要编译OpenCV源码，直接下载官方预编译版本的就可以直接使用了。如果你还不知道SIFT特征是什么，就看这里的这篇文章就好啦。

01 创建SIFT特征提取器

下面就来验证一下是否真的可以了，请看步骤与过程，首先创建SIFT特征提取器，实现特征点跟描述子的提取，代码实现如下：

// 创建SIFT特征提取
auto detector = SIFT::create();
vector<KeyPoint> keypoints_obj, keypoints_sence;
Mat descriptors_box, descriptors_sence;
detector->detectAndCompute(box, Mat(), keypoints_obj, descriptors_box);
detector->detectAndCompute(scene, Mat(), keypoints_sence, descriptors_sence);
std::cout << "box keypoints:" << keypoints_obj.size() << std::endl;
std::cout << "scene keypoints:" << keypoints_sence.size() << std::endl;

运行打印出来的关键点数目分别如下：

02 特征描述子匹配

从图像到特征，是特征提取关键操作，特征描述子本质上是一系列的向量数据，它可以唯一表示一张图像。对相似的特征进行区域匹配或者搜索，找到高度相似数据特征片段是特征匹配的主要工作。OpenCV中支持两种特征匹配方法，分别是暴力匹配与FLANN匹配，对浮点数的特征描述子，FLANN匹配比暴力会明显加快运算，创建FLANN实现匹配，并根据相似度排序，寻找最佳匹配得的代码如下：

// 初始化flann匹配
vector<DMatch> matches;
Ptr<FlannBasedMatcher> matcher = FlannBasedMatcher::create();
matcher->match(descriptors_box, descriptors_sence, matches);

// 发现高质量匹配
std::cout << "total matches:" << matches.size() <<std::endl;
int numOfGood = matches.size() * 0.15;
std::sort(matches.begin(), matches.end());
matches.erase(matches.begin() + numOfGood, matches.end());
std::cout << "good matches:" << matches.size() << std::endl;

Mat dst;
drawMatches(box, keypoints_obj, scene, keypoints_sence, matches, dst);
imshow("output", dst);
imwrite("D:/matches.png", dst);

运行结果如下：

03 单应性矩阵求解与透视变换

对得到的最佳匹配描述子对，取得对应的图像关键点坐标，完成单应性矩阵求解，实现透视变换，是重要的一步，关于单应性矩阵的求解与应用，这里不再赘述，这部分的代码实现如下：

// 抽取匹配描述子对应的关键点
std::vector<Point2f> obj_pts;
std::vector<Point2f> scene_pts;
for (size_t i = 0; i < matches.size(); i++)
{
    obj_pts.push_back(keypoints_obj[matches[i].queryIdx].pt);
    scene_pts.push_back(keypoints_sence[matches[i].trainIdx].pt);
}

// 对象对齐与单应性矩阵求解
Mat H = findHomography(obj_pts, scene_pts, RANSAC);
std::vector<Point2f> obj_corners(4);
obj_corners[0] = Point(0, 0); obj_corners[1] = Point(box.cols, 0);
obj_corners[2] = Point(box.cols, box.rows); obj_corners[3] = Point(0, box.rows);
std::vector<Point2f> scene_corners(4);
perspectiveTransform(obj_corners, scene_corners, H);

04 BOX矩形框绘制

求得最终的位置信息，根据得到四个点坐标通过多边形绘制函数，完成绘制，这个其中有必要重点解释一下多边形绘制函数

void cv::polylines ( 
         InputOutputArray  img,
         InputArrayOfArrays       pts,
         bool        isClosed,
         const Scalar &        color,
         int   thickness = 1,
         int   lineType = LINE_8,
         int   shift = 0
)

参数解释如下：

img表示输入图像
pts表示绘制的多边形顶点集合，必须是int类型CV_32SC
isClosed表示是否闭合
color表示多边形颜色
thickness表示线宽，注意：必须大于等于零，如果想要填充它，请用drawContours
lineType表示对线的渲染方式
shift表示迁移，默认为0。这个在ROI上绘制时候有用

实现代码如下：

// 绘制发现的对象
std::vector<Point> pts;
for (int i = 0; i < scene_corners.size(); i++) {
    pts.push_back(scene_corners[i]);
}
polylines(scene, pts, true, Scalar(0, 0, 255), 2, 8, 0);

// 显示匹配对象
imshow("Good Matches & Object detection", scene);
imwrite("D:/findobject.png", scene);

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2020-08-04，如有侵权请联系 cloudcommunity@tencent.com 删除

opencv

本文分享自 OpenCV学堂微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

opencv

登录后参与评论

0 条评论

热度