点击上方“AI算法与图像处理”，选择加"星标"或“置顶”算法
重磅干货，第一时间送达
微信
来源 OpenCV学堂app
你们好，据说OpenCV4.4 已经把SIFT跟SURF特征提取又从新get回来了，能够不须要编译OpenCV源码，直接下载官方预编译版本的就能够直接使用了。若是你还不知道SIFT特征是什么，就看这里的这篇文章就好啦。
函数
01ui
建立SIFT特征提取器spa
下面就来验证一下是否真的能够了，请看步骤与过程，首先建立SIFT特征提取器，实现特征点跟描述子的提取，代码实现以下：.net
// 建立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以下：
3d
02code
特征描述子匹配
从图像到特征，是特征提取关键操做，特征描述子本质上是一系列的向量数据，它能够惟一表示一张图像。对类似的特征进行区域匹配或者搜索，找到高度类似数据特征片断是特征匹配的主要工做。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，建立FLANN实现匹配，并根据类似度排序，寻找最佳匹配得的代码以下：
// 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);
运行结果以下：
03
单应性矩阵求解与透视变换
对获得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，建议看公众号以前的几篇相关文章便可：
这里再也不赘述，这部分的代码实现以下：
// 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，根据获得四个点坐标经过多边形绘制函数，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)
参数解释以下
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，若是想要填充它，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
实现代码以下：
// 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);
运行结果以下：
此外我还注意到SURF貌似还不能直接使用，是否是仍是要编译扩展模块才能够这个我真的要认真探索一波！欢迎你们留言反馈
下载1
在「AI算法与图像处理」公众号后台回复：yolov4，
便可下载
YOLOv4 trick相关论文
下载2
在「AI算法与图像处理」公众号后台回复：
DL三件套
，便可下载包括经典好书
我的微信（若是没有备注不拉群！）
请注明：
地区+学校/企业+研究方向+昵称
本文分享自微信公众号 - AI算法与图像处理（AI_study）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。