基于FlannBasedMatcher的SURF特征提取和关键点匹配
SURF Feature extraction and Keypoint match based on FlannBasedMatcher
以下是我的代码,它用于使用SURF提取特征,并使用flannBasedMatcher匹配点。
Mat object = imread("S6E0.bmp", CV_LOAD_IMAGE_GRAYSCALE);
if( !object.data )
{
// std::cout<< "Error reading object " << std::endl;
return -2;
}
//Detect the keypoints using SURF Detector
int minHessian = 500;
SurfFeatureDetector detector( minHessian );
std::vector<KeyPoint> kp_object;
detector.detect( object, kp_object );
//Calculate descriptors (feature vectors)
SurfDescriptorExtractor extractor;
Mat des_object;
extractor.compute( object, kp_object, des_object );
FlannBasedMatcher matcher;
char key = 'a';
//VideoCapture cap(0);
namedWindow("Good Matches");
std::vector<Point2f> obj_corners(4);
//Get the corners from the object
obj_corners[0] = cvPoint(0,0);
obj_corners[1] = cvPoint( object.cols, 0 );
obj_corners[2] = cvPoint( object.cols, object.rows );
obj_corners[3] = cvPoint( 0, object.rows );
Mat image = imread("S6E0.bmp", CV_LOAD_IMAGE_GRAYSCALE);
Mat des_image, img_matches;
std::vector<KeyPoint> kp_image;
std::vector<vector<DMatch >> matches;
std::vector<std::vector<cv::DMatch>> matches1;
std::vector<std::vector<cv::DMatch>> matches2;
std::vector<cv::DMatch> matches3;
std::vector<DMatch > good_matches;
std::vector<Point2f> obj;
std::vector<Point2f> scene;
std::vector<Point2f> scene_corners(4);
Mat H;
//cvtColor(frame, image, CV_RGB2GRAY);
detector.detect( image, kp_image );
extractor.compute( image, kp_image, des_image );
matcher.knnMatch(des_object, des_image, matches, 2);
for(int i = 0; i < min(des_image.rows-1,(int) matches.size()); i++) //THIS LOOP IS SENSITIVE TO SEGFAULTS
{
if((matches[i][0].distance < 0.6*(matches[i][1].distance)) && ((int) matches[i].size()<=2 && (int) matches[i].size()>0))
{
good_matches.push_back(matches[i][0]);
}
}
//Draw only "good" matches
drawMatches( object, kp_object, image, kp_image, good_matches, img_matches, Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS );
if (good_matches.size() >= 4)
{
printf("Images matching %d , %d", good_matches.size(), kp_object.size());
//return 1;
for( int i = 0; i < good_matches.size(); i++ )
{
//Get the keypoints from the good matches
obj.push_back( kp_object[ good_matches[i].queryIdx ].pt );
scene.push_back( kp_image[ good_matches[i].trainIdx ].pt );
}
//H = findHomography( obj, scene, CV_RANSAC );
//printf("Size : %d", H.size());
//perspectiveTransform( obj_corners, scene_corners, H);
//printf("Size : %d --- %d --- %d", H.size(), scene_corners.size());
}else{
printf("Images matching %d , %d", good_matches.size(), kp_object.size());
}
//Show detected matches
imshow( "Good Matches", img_matches );
waitKey(0);
return 0;
在这段代码中,我想知道通过这种方法到底发生了什么
matcher.knnMatch(des_object, des_image, matches, 2);
据我所知,我传递了匹配图像的两个描述符,并且匹配向量填充了 2 个最近邻。我想知道该方法中到底发生了什么,匹配方法是如何填充的,以及填充了哪些点。
在此代码段中
for(int i = 0; i < min(des_image.rows-1,(int) matches.size()); i++) //THIS LOOP IS SENSITIVE TO SEGFAULTS
{
if((matches[i][0].distance < 0.6*(matches[i][1].distance)) && ((int) matches[i].size()<=2 && (int) matches[i].size()>0))
{
good_matches.push_back(matches[i][0]);
}
}
IM 使用最近的邻距离比 (NNDR) 作为 0.6,我想知道good_matches是如何发现的以及 NNDR 值变化将如何影响。
如果我能解决这段代码,那将是一个很大的帮助。谢谢。
FlannBasedMatcher基于Muja等人撰写的论文;你可以在那里找到确切的算法以及他们是如何做到的。
关于good_matches,您刚刚在代码片段本身中看到它是基于标准(即nndr)的结果的最佳匹配项的集合。它基本上是一个阈值,用于决定在完全放弃匹配之前允许比赛的距离。阈值越高,考虑的点越多,正匹配的数量就越多(它们是否为真阳性将取决于您的数据集和设置 nndr 级别的方式)。
希望这有帮助。
相关文章:
- 从特征::等距3d提取旋转时出错
- 特征:如何从数组中的稀疏矩阵中提取行
- 提取特征.一个班级里有很多getter/setters正常吗?
- 图像和图像处理中的特征提取
- 情绪识别或特征提取
- 用于从back_insert_iterator中提取容器value_type的特征类
- 每隔一行或每一列提取一个特征矩阵作为一个新矩阵
- 计算机视觉,提取有关桌子,椅子,床的特征.家具
- 人脸特征提取和识别
- 基于FlannBasedMatcher的SURF特征提取和关键点匹配
- C++类型特征以提取模板参数类
- 如何从手部轮廓中提取特征
- 如何使用 opencv c++ 从手部轮廓中提取 LBP 特征
- 最快的HOG特征提取实现
- Gabor特征提取用于检测人
- 从给定的点云数据中提取一组特征和聚类数据
- 纹理特征提取
- 二值图像的特征提取
- 从咖啡中提取特征
- 提取可变参数模板参数包,并将其用于类型特征元函数中的另一个可变参数模板