SLAM算法中提取特征总结

2023-02-12 07:56:50

我们要知道三维空间中的点在图像中的位置，就需要提取特征与特征匹配了。

1.检测特征点

2.计算描述子

3.特征匹配

1.检测特征点

　　我们用到的检测特征点的方法是FAST算法，最大的特点就是快！

　　算法原理：遍历图像，找到所有的角点。我们就拿一个角点举例，例如只拿到一个角点p，设其像素灰度值为I，取这个角点以三为半径的圆上的所有像素点，能取到16个，然后设定一个阈值t，如果连续n个像素点的灰度值都大于I+t或者都小于I-t。我们则认为其为特征点。接着计算方向：特征点与重心的角度。

2.计算描述子

　　描述子我们可以理解为在每一个特征点旁边有一个向量，或者说也可以理解为数组，记录着特征点周围的信息。这里用的事BRIEF描述子。BRIEF描述子是一个二进制描述子，就是在特征点周围随机取128对点对或者是256对点对p和q，若p大于q，则记为1，否则记为0。这就组成了一个128个数的[0,1,1,0.....]序列。

3.特征匹配

　　此时我们得到了所有的特征点和描述子。此时进行暴力匹配，对图1中的每一个特征点分别和图像2中的特征点的描述子比较，我们用Hamming距离来度量两个描述子的相似程度，如果Hamming距离小于两倍的最小距离则认为匹配正确，否则认为匹配错误。

代码如下：

#include <iostream>

#include <opencv2/core/core.hpp>

#include <opencv2/features2d/features2d.hpp>

#include <opencv2/highgui/highgui.hpp>

using namespace std;

using namespace cv;

int main ( int argc, char** argv )

{

    if ( argc !=  )

    {

        cout<<"usage: feature_extraction img1 img2"<<endl;

        return ;

    }

    //-- 读取图像

    Mat img_1 = imread ( argv[], CV_LOAD_IMAGE_COLOR );

    Mat img_2 = imread ( argv[], CV_LOAD_IMAGE_COLOR );

    //-- 初始化

    std::vector<KeyPoint> keypoints_1, keypoints_2;

    Mat descriptors_1, descriptors_2;

    Ptr<FeatureDetector> detector = ORB::create();

    Ptr<DescriptorExtractor> descriptor = ORB::create();

    Ptr<DescriptorMatcher> matcher  = DescriptorMatcher::create ( "BruteForce-Hamming" );

    //-- 第一步:检测 Oriented FAST 角点位置

    detector->detect ( img_1,keypoints_1 );

    detector->detect ( img_2,keypoints_2 );

    //-- 第二步:根据角点位置计算 BRIEF 描述子

    descriptor->compute ( img_1, keypoints_1, descriptors_1 );

    descriptor->compute ( img_2, keypoints_2, descriptors_2 );

    Mat outimg1;

    drawKeypoints( img_1, keypoints_1, outimg1, Scalar::all(-), DrawMatchesFlags::DEFAULT );

    imshow("ORB特征点",outimg1);

    //-- 第三步:对两幅图像中的BRIEF描述子进行匹配，使用 Hamming 距离

    vector<DMatch> matches;//matches存储特征点信息

    matcher->match ( descriptors_1, descriptors_2, matches );

    //-- 第四步:匹配点对筛选

    double min_dist=, max_dist=;

    //找出所有匹配之间的最小距离和最大距离, 即是最相似的和最不相似的两组点之间的距离

    for ( int i = ; i < descriptors_1.rows; i++ )

    {

        double dist = matches[i].distance;

        if ( dist < min_dist ) min_dist = dist;

        if ( dist > max_dist ) max_dist = dist;

    }

    printf ( "-- Max dist : %f \n", max_dist );

    printf ( "-- Min dist : %f \n", min_dist );

    //当描述子之间的距离大于两倍的最小距离时,即认为匹配有误.但有时候最小距离会非常小,设置一个经验值30作为下限.

    std::vector< DMatch > good_matches;

    for ( int i = ; i < descriptors_1.rows; i++ )

    {

        if ( matches[i].distance <= max ( *min_dist, 30.0 ) )

        {

            good_matches.push_back ( matches[i] );

        }

    }

    //-- 第五步:绘制匹配结果

    Mat img_match;

    Mat img_goodmatch;

    drawMatches ( img_1, keypoints_1, img_2, keypoints_2, matches, img_match );

    drawMatches ( img_1, keypoints_1, img_2, keypoints_2, good_matches, img_goodmatch );

    imshow ( "所有匹配点对", img_match );

    imshow ( "优化后匹配点对", img_goodmatch );

    waitKey();

    return ;

}

若有错误，欢迎指正！谢谢！

码农公寓

相关文章