概述 之前的文章SURF和SIFT算子实现特征点检测简单地讲了利用SIFT和SURF算子检测特征点，在检测的基础上可以使用SIFT和SURF算子对特征点进行特征提取并使用匹配函数进行特征点的匹配。具体实现是首先采用SurfFeatureDetector检测特征点，再使用SurfDescripto

概述

      之前的文章surf和sift算子实现特征点检测简单地讲了利用sift和surf算子检测特征点，在检测的基础上可以使用sift和surf算子对特征点进行特征提取并使用匹配函数进行特征点的匹配。具体实现是首先采用surffeaturedetector检测特征点，再使用surfdescriptorextractor计算特征点的特征向量，最后采用bruteforcematcher暴力匹配法或者flannbasedmatcher选择性匹配法（二者的不同）来进行特征点匹配。

      实验所用环境是opencv2.4.0+vs2008+win7，需要注意opencv2.4.X版本中SurfFeatureDetector是包含在opencv2/nonfree/features2d.hpp中，BruteForceMatcher是包含在opencv2/legacy/legacy.hpp中，FlannBasedMatcher是包含在opencv2/features2d/features2d.hpp中。

BruteForce匹配法

首先使用BruteForceMatcher暴力匹配法，代码如下：

/**
* @采用SURF算子检测特征点，对特征点进行特征提取，并使用BruteForce匹配法进行特征点的匹配
* @SurfFeatureDetector + SurfDescriptorExtractor + BruteForceMatcher
* @author holybin
*/

#include 
#include 
#include "opencv2/core/core.hpp"
#include "opencv2/nonfree/features2d.hpp"	//SurfFeatureDetector实际在该头文件中
#include "opencv2/legacy/legacy.hpp"	//BruteForceMatcher实际在该头文件中
//#include "opencv2/features2d/features2d.hpp"	//FlannBasedMatcher实际在该头文件中
#include "opencv2/highgui/highgui.hpp"
using namespace cv;
using namespace std;

int main( int argc, char** argv )
{
	Mat src_1 = imread( "D:\\opencv_pic\\cat3d120.jpg", CV_LOAD_IMAGE_GRAYSCALE );
	Mat src_2 = imread( "D:\\opencv_pic\\cat0.jpg", CV_LOAD_IMAGE_GRAYSCALE );

	if( !src_1.data || !src_2.data )
	{ 
		cout<< " --(!) Error reading images "< keypoints_1, keypoints_2;
	detector.detect( src_1, keypoints_1 );
	detector.detect( src_2, keypoints_2 );
	cout<<"img1--number of keypoints: "< > matcher;
	vector< DMatch > matches;
	matcher.match( descriptors_1, descriptors_2, matches );
	cout<<"number of matches: "<
实验结果：

							

								
								

									AI图像编辑器
									
使用文本提示编辑、变换和增强照片
								
								下载 
							
						




FLANN匹配法

使用暴力匹配的结果不怎么好，下面使用FlannBasedMatcher进行特征匹配，只保留好的特征匹配点，代码如下：

/**
* @采用SURF算子检测特征点，对特征点进行特征提取，并使用FLANN匹配法进行特征点的匹配
* @SurfFeatureDetector + SurfDescriptorExtractor + FlannBasedMatcher
* @author holybin
*/

#include 
#include 
#include "opencv2/core/core.hpp"
#include "opencv2/nonfree/features2d.hpp"	//SurfFeatureDetector实际在该头文件中
//#include "opencv2/legacy/legacy.hpp"	//BruteForceMatcher实际在该头文件中
#include "opencv2/features2d/features2d.hpp"	//FlannBasedMatcher实际在该头文件中
#include "opencv2/highgui/highgui.hpp"
using namespace cv;
using namespace std;

int main( int argc, char** argv )
{
	Mat src_1 = imread( "D:\\opencv_pic\\cat3d120.jpg", CV_LOAD_IMAGE_GRAYSCALE );
	Mat src_2 = imread( "D:\\opencv_pic\\cat0.jpg", CV_LOAD_IMAGE_GRAYSCALE );

	if( !src_1.data || !src_2.data )
	{ 
		cout<< " --(!) Error reading images "< keypoints_1, keypoints_2;
	detector.detect( src_1, keypoints_1 );
	detector.detect( src_2, keypoints_2 );
	cout<<"img1--number of keypoints: "< allMatches;
	matcher.match( descriptors_1, descriptors_2, allMatches );
	cout<<"number of matches before filtering: "< maxDist )
			maxDist = dist;
	}
	printf("	max dist : %f \n", maxDist );
	printf("	min dist : %f \n", minDist );

	//-- 过滤匹配点，保留好的匹配点（这里采用的标准：distance<2*minDist）
	vector< DMatch > goodMatches;
	for( int i = 0; i < descriptors_1.rows; i++ )
	{
		if( allMatches[i].distance < 2*minDist )
			goodMatches.push_back( allMatches[i]); 
	}
	cout<<"number of matches after filtering: "<(), 
		DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS //不显示未匹配的点
		); 
	imshow("matching result", matchImg );
	//-- 输出匹配点的对应关系
	for( int i = 0; i < goodMatches.size(); i++ )
		printf( "	good match %d: keypoints_1 [%d]  -- keypoints_2 [%d]\n", i, 
		goodMatches[i].queryIdx, goodMatches[i].trainIdx );

	waitKey(0);
	return 0;
}

实验结果：




从第二个实验结果可以看出，经过过滤之后特征点数目从49减少到33，匹配的准确度有所上升。当然也可以使用SIFT算子进行上述两种匹配实验，只需要将SurfFeatureDetector换成SiftFeatureDetector，将SurfDescriptorExtractor换成SiftDescriptorExtractor即可。


拓展

       在FLANN匹配法的基础上，还可以进一步利用透视变换和空间映射找出已知物体（目标检测），具体来说就是利用findHomography函数利用匹配的关键点找出相应的变换，再利用perspectiveTransform函数映射点群。具体可以参考这篇文章：OpenCV中feature2D学习——SIFT和SURF算法实现目标检测。