OpenCV中特徵檢測，提取與匹配使用方法學習

最近在學習opencv，一般看官方一邊看書，發現自己原來用的很多介面早已被更新，分享一下學習心得體會，也希望大家可以不吝賜教！

首先看到在mastering opencv with practical computer vision projects書中，特徵點檢測，特徵點描述（特徵提取），特徵點匹配用了以下**：

cv::ptrdetector = new cv::orb(1000);			// 建立orb特徵點檢測

cv::ptrextractor = new cv::freak(true, true);		// 用freak特徵來描述特徵點
cv::ptrmatcher = new cv::bfmatcher(cv::norm_hamming,	// 特徵匹配，計算hamming距離

class cv_exports_w orb : public feature2d

class cv_exports_w feature2d : public featuredetector, public descriptorextractor

cv::ptrcl = createclahe(80, size(4, 4))

vectormatches;

matcher->match(descriptors1, descriptors2, matches);
mat imresultori;
drawmatches(img1, keypoints1, img2, keypoints2, matches, imresultori, cv_rgb(0,255,0), cv_rgb(0,255,0));

當然啦，做完特徵點匹配，我們還可以通過ransac方法計算透視變換矩陣來篩選符合相同透視的特徵點，這樣做可以去除很多錯誤的匹配。

std::vectorinliersmask(srcpoints.size());

homography = cv::findhomography(srcpoints, dstpoints, cv_fm_ransac, reprojectionthreshold, inliersmask);

看完這部分內容最大的心得體會就是，作為乙個寫工程**的人來說，要好好的去學習和掌握工具，可以避免好多沒有意義的重複勞動。

跑了乙個例子：

執行結果：

特徵匹配：

一致的透視變換：

光流：

以上使用的**是mastering opencv with practical computer vision projects書上的原始碼經整理以後的**，順便嘗試了一下光流演算法的呼叫。通過對這段原始碼的學習，基本能夠掌握opencv2.4版本以後檢測，特徵提取與匹配方法。如果呼叫遇到困難，還是可以直接檢視原始碼來的更快捷。

Opencv特徵提取與目標檢測03

基於harris角點檢測理論與 omasi檢點檢測理論，我們可以通過獲取矩陣m的兩個特徵值以及qualitylevel的值，動態設計計算閾值t的公式，來選擇我們需要的有效角點。第乙個api 基於harris角點檢測理論的，輸出的影象dst必須定義為cv 32fc1等型別，且 矩陣的每個特徵值由下式求...

Opencv特徵提取與目標檢測04

無論是harris角點檢測，shi tomasi角點檢測都無法對畫素點精準定位，進而無法滿足一些高精度影象角點處理，追蹤的問題。如跟蹤。相機矯正，三維重建，幾何測量等。正如圖所描述的。因此，亞畫素級別角點檢測應運而生。亞畫素 面陣攝像機的成像面以畫素為最小單位。例如某cmos攝像晶元，其畫素間距為5...

特徵點提取opencv

opencv中提供了harris角點檢測的介面，即cv cornerharris 缺陷 角點是畫素級別的，速度較慢 dst cv2.cornerharris gray,2,3,0.04 img 資料型別為 float32 的輸入影象 blocksize 角點檢測中要考慮的領域大小 ksize sob...