OpenCV4.5.x 中SIFT特征匹配调用演示

点击上方蓝字关注我们

微信公众号：OpenCV学堂 关注获取更多计算机视觉与深度学习知识

OpenCV4.4版本以后已经把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。但是很多人还以为必须要编译源码才能使用SIFT特征检测的函数！如果还不知道SIFT特征是什么，就看这里的这篇文章就好啦。

OpenCV SIFT特征算法详解与使用

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：

代码语言：javascript复制

// 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：

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：

代码语言：javascript复制

// 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：

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，建议看公众号之前的几篇相关文章即可：

OpenCV单应性矩阵发现参数估算方法详解

单应性矩阵应用-基于特征的图像拼接

利用单应性矩阵实现文档对齐显示

这里不再赘述，这部分的代码实现如下：

代码语言：javascript复制

// 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);

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

代码语言：javascript复制

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：

代码语言：javascript复制

// 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);

运行结果如下：