ORB特征点提取算法试验

2019-04-18 19:51:39 阅读：726 来源： 互联网

标签：提取匹配 matches 算法 keypoints2 keypoints1 dist descriptors1 ORB

前阵子推进毕设，通过各种教材、论文和博客的调研，总算对视觉SLAM有了一个比较宏观的了解，摘录归纳了许多特征提取和跟踪的算法，最后初步方案决定为对ORB-SLAM展开研究。

赶紧花时间去补习了一下C++，用了半天配置完了OpenCV3.4的环境，又用了近一整天时间快速翻完了毛星云的《OpenCV3编程入门》，跑了跑里面的例程，发现简直友好度爆炸。这每一章的内容，不管是图像滤波也好，图像分割也好，图像修复也好，哪怕是特征检测，都差不多是——输入图片>>运用对应的函数处理图片>>输出图片的过程。函数的具体原理基本不用搞懂，OpenCV全部集成好了，很容易就能跑个demo出来。

但是后面想要自己写代码，肯定要深入研究具体理论。这里先记录一份自己第一次跑出ORB特征点检测和匹配的成果。

下面是代码，主要来源：https://www.cnblogs.com/Jessica-jie/p/8622449.html。

#include<iostream>
#include<vector>

#include<opencv2\core\core.hpp>
#include<opencv2\features2d\features2d.hpp>
#include<opencv2\highgui\highgui.hpp>

using namespace std;
using namespace cv;

int main()
{
	Mat img1 = imread("img01.jpg");
	Mat img2 = imread("img02.jpg");

	// 1. 初始化
	vector<KeyPoint> keypoints1, keypoints2;
	Mat descriptors1, descriptors2;
	Ptr<ORB> orb = ORB::create();

	// 2. 提取特征点
	orb->detect(img1, keypoints1);
	orb->detect(img2, keypoints2);

	// 3. 计算特征描述符
	orb->compute(img1, keypoints1, descriptors1);
	orb->compute(img2, keypoints2, descriptors2);

	// 4. 对两幅图像的BRIEF描述符进行匹配，使用BFMatch，Hamming距离作为参考
	vector<DMatch> matches;
	BFMatcher bfMatcher(NORM_HAMMING);
	bfMatcher.match(descriptors1, descriptors2, matches);
	
	// 5. 展示
	Mat ShowMatches;
	drawMatches(img1, keypoints1, img2, keypoints2, matches, ShowMatches);
	imshow("matches", ShowMatches);

	waitKey(0);

	return 0;
}

下面是运行结果，采用暴力匹配：计算某一个特征点描述子与其他所有特征点描述子之间的距离，然后将得到的距离进行排序，取距离最近的一个作为匹配点。
ORB特征检测和匹配（暴力匹配）
这个方法太简单粗暴了，可以采用一定原则去优化一下，比如：汉明距离小于最小距离的两倍。

在第四步后面添加如下代码：

// 匹配对筛选
double min_dist = 1000, max_dist = 0;
// 找出所有匹配之间的最大值和最小值
for (int i = 0; i < descriptors1.rows; i++)
{
    double dist = matches[i].distance;
    if (dist < min_dist) min_dist = dist;
    if (dist > max_dist) max_dist = dist;
}
// 当描述子之间的匹配不大于2倍的最小距离时，即认为该匹配是一个错误的匹配。
// 但有时描述子之间的最小距离非常小，可以设置一个经验值作为下限
vector<DMatch> good_matches;
for (int i = 0; i < descriptors1.rows; i++)
{
    if (matches[i].distance <= max(2 * min_dist, 30.0))
        good_matches.push_back(matches[i]);
}

然后把画出匹配的函数参数，改成筛选后的匹配（good_matches）。

drawMatches(img1, keypoints1, img2, keypoints2, good_matches, ShowMatches);

再次编译运行，发现结果好了很多：
优化后的ORB算法

标签：提取,匹配,matches,算法,keypoints2,keypoints1,dist,descriptors1,ORB
来源： https://blog.csdn.net/Banmei_Brandy/article/details/89385708

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

ORB特征点提取算法试验