【OpenCV】基于SIFT/SURF算法的双目视差测距（一）
文章目录
- 基本原理
- 实现步骤
- 程序效果
- sift算法
- surf算法
- 代码
下篇链接： https://blog.csdn.net/qinchang1/article/details/88412058
基本原理
由于本文程序直接使用opencv库，因此对于SIFT和SURF算法的原理不做详细介绍。
简单来说，该两种算法使用特征向量来描述特征点，我们可以通过计算特征向量的距离来匹配两张图中对应的特征点。值得注意的是，SIFT由于计算方法不同，且维度较高，计算速度上较SURF更慢。
下面简单介绍一下双目测距原理，这也是本次实验的关键。
下图是双目摄像头成像示意图，其中P点为目标物体，O1和O2分别为左右摄像头的投影中心，x1和x2分别是目标物体在左右摄像头成像平面上的坐标，f为焦距，T为左右摄像头中心线距离，Z为摄像头投影中心到目标物体的距离。
通过计算相似三角形我们可以得到：
其中，
1.(x1-x2)实际上就是视差，单位是实际物理量mm，用D来表示这个视差，并将单位换成像素，多出来的常数放到分子中；
2.分母中的fT是一个常数，我们用K来表示，这里面还可以包括像素单位到mm单位的比例系数。
整理一下可以得到：
.
其中，
1.?(mm)为摄像头投影中心到物体的距离；
2.?(像素)为视差，与?1−?2 成比例关系；
3.?(mm*像素)为常数。
*从公式可以看出，距离Z和视差D是成反比例关系的。因此，我们只要得到反比例系数K，就可以通过视差值来计算距离值。
由于双目测距中视差和距离成反比例关系，从上图可以看出：
1.在距离较近的地方，较小的距离变化会引起较大的视差变化；
2.在距离较远的地方，较大的距离变化仅引起较小的视差变化。
因此，双目视差测距有一定的局限性，即在较远或较近的地方效果不会很好。
实现步骤
由于博主假期在家，未带回双目摄像头，因此本次实验使用手机拍摄的照片模拟左右图像，仅实现视差的获取（完整的双目测距下篇文章再续）。
主要步骤：
1、导入左右图像；
2、使用SiftFeatureDetector或SurfFeatureDetector检测关键点（ps:此处为opencv2.4.13版本的检测器，3.0版本之后不太一样）；
3、使用SiftDescriptorExtractor或SurfDescriptorExtractor提取各个关键点的描述（特征向量）；
4、使用FlannBasedMatcher匹配器进行两图像的关键点匹配（这里面会包含很多错误匹配）；
5、计算出所有匹配中的最小distance，筛选出小于两倍最小匹配距离的匹配作为正确的匹配；
6、计算出正确匹配的两特征点的X坐标差，即为该匹配点的像素视差；
7、去除掉偏差值较大的视差，计算视差均值作为最后的结果。
程序效果
输入的左右图像：
sift算法
匹配效果：
匹配点视差数据（显示不全）：
筛选后视差结果：
surf算法
匹配效果：
匹配点视差数据：
筛选后视差结果：
ps：两种方法最后计算出来的视差结果差别不大，但是SIFT算法的速度明显慢于SURF很多，不过前者获得的匹配点数量也更多。
代码
#include ps：1.代码中使用的是SURF算法，需要用SIFT的只需要将代码中SurfFeatureDetector和SurfDescriptorExtractor改成SiftFeatureDetector和SiftDescriptorExtractor即可；
2.匹配结果DMatch中存储着匹配点对的索引，分别在DMatch[i].queryIdx和DMatch[i].trainIdx中，这是找到匹配对的关键。
本次仅实现了像素视差的获取，下篇待博主回校后使用双目摄像头来试验实际测距效果。
下篇链接：https://blog.csdn.net/qinchang1/article/details/88412058
如有错误，欢迎指正！