对于SLAM十四讲中简单特征提取并匹配代码的解析

对于SLAM十四讲中简单特征提取并匹配代码的解析

在该代码中我们使用了暴力匹配算法，即在两张图片中选取两个特征点，然后对它们各自描述子之间距离的比较选取距离最小的组委匹配到的点，在此例子中我们使用了ORB描述子（这是一个二进制的多位描述子），所以在比较距离的时候我们用的不是欧式距离（两点之间几何的距离），而是汉明距离（两个二进制串中不同位数的个数），

`#include
#include
#include
#include

using namespace std;
using namespace cv;

int main ( int argc, char** argv )
{
if ( argc != 3 )
{
cout<<“usage: feature_extraction img1 img2”< return 1;
}
//-- 读取图像
Mat img_1 = imread ( argv[1], CV_LOAD_IMAGE_COLOR );
Mat img_2 = imread ( argv[2], CV_LOAD_IMAGE_COLOR );

//图像使用Mat类来存储，同时格式使用CV_LOAD_IMAGE_COLOR

//-- 初始化
std::vector keypoints_1, keypoints_2;

//我们将要在图像中提取的关键点1,2；

Mat descriptors_1, descriptors_2;

Ptr detector = ORB::create();

//OpenCV中自带的ORB关键点，以及描述子

Ptr descriptor = ORB::create();
// Ptr detector = FeatureDetector::create(detector_name);
// Ptr descriptor = DescriptorExtractor::create(descriptor_name);
Ptr matcher = DescriptorMatcher::create ( “BruteForce-Hamming” );

//暴力匹配所使用的汉明距离，因为ORB使用的是二进制描述子

//-- 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(-1), 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 matches;
//BFMatcher matcher ( NORM_HAMMING );
matcher->match ( descriptors_1, descriptors_2, matches );

//将各个特征点放入匹配对中

//-- 第四步:匹配点对筛选
double min_dist=10000, max_dist=0;//统计匹配点之间的距离

//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 = 0; i < descriptors_1.rows; i++ )
{
double dist = matches[i].distance;
if ( dist < min_dist ) min_dist = dist;
if ( dist > max_dist ) max_dist = dist;
}

// 仅供娱乐的写法
min_dist = min_element( matches.begin(), matches.end(), [](const DMatch& m1, const DMatch& m2) {return m1.distancedistance;
max_dist = max_element( matches.begin(), matches.end(), [](const DMatch& m1, const DMatch& m2) {return m1.distancedistance;

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 = 0; i < descriptors_1.rows; i++ )
{
if ( matches[i].distance <= max ( 2*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 );//这是在对匹配点之后进行的二次筛选，后留下来相对真实的焦//点
imshow ( “所有匹配点对”, img_match );
imshow ( “优化后匹配点对”, img_goodmatch );
waitKey(0);

return 0;
}`