opencv_contrib模块安装与概述

安装

• 背景交代： Ubuntu18.04 +OpenCV4.0.1+ opencv_contrib-4.0.1

下载

• opencv-4.0.1
• opencv_contrib-4.0.1
• ippicv_2019_lnx_intel64_general_20180723.tgz (很慢，估计十几分钟，可以在csdn搜索，我上传百度云了)
• face_landmark_model.dat (很慢，可以在csdn搜索，我上传百度云了)

1. 将ippicv_2019_lnx_intel64_general_20180723.tgz 和face_landmark_model.dat 下载好，用vim将源码中3rdparty/ippicv/ippicv.cmake打开，将47行的 "https://raw.githubusercontent.com/opencv/opencv_3rdparty/${IPPICV_COMMIT}/ippicv/" 修改为"file:///home/xxx/Downloads/" 注意路径修改成自己的；将opencv_contrib-4.0.1中的modules/face/CMakeLists.txt用vim打开，将19行和上面一样改成file:///home/xxx/Downloads/ ，路径都是下载上面两个文件的路径。因为cmake过程中会在github官网上下载第三方库，上面两个很慢，经常下载超时，所以手动下载比较好，其他还有几个文件，cmake用的时间不多，不用手动下载了。
   
   
2. 打开cmake-gui ,将源码路径和build的操作路径添加进去 ，点击configure ，默认即可。

3. 在Search中输入extr找到，OPENCV_EXTRA_MODULES_PATH ，点击value后面将opencv_contrib里面的modules路径加进来，如图：在点击configure，没有错误即可，有错误继续解决。

4. 在Seach中搜索 free, 搜到结果后面打钩，涉及到专利问题，否则在使用xfeature2d.create的时候报错。
5. 点击Generate ，会有 Generate done的字样
6. 进入 build目录，make -j8 , sudo make install ，最后include目录在/usr/local/include/opencv4下，库目录在/usr/local/lib下

7. 测试代码

工程结构：

#include 
#include 
 
#include 
#include 
 
using namespace cv;
using namespace std;
 
int main()
{

    Mat img = imread("../res/1.png",cv::IMREAD_COLOR);
    Ptr<Feature2D> sift = xfeatures2d::SIFT::create();
    vector<cv::KeyPoint> keypoints;
    Mat descriptors;

    sift->detectAndCompute(img, cv::noArray(),keypoints, descriptors);
    cv::drawKeypoints(img,keypoints,descriptors,cv::Scalar(0, 255, 255));
    imshow("Result", descriptors);

	waitKey();
	return 0;
}

CMakeLists.txt

cmake_minimum_required(VERSION 3.5)
project(my_test)
set(CMAKE_CXX_FLAGS "-std=c++11")

find_package(OpenCV REQUIRED) 

include_directories(include)
aux_source_directory(src DIR_SRCS)

add_executable(my_test ${DIR_SRCS})
target_link_libraries(my_test ${OpenCV_LIBS})

---

概述

aruco ：增强现实

bgsegm：背景分割

• 背景分割算法包括：统计背景图估计、像素级贝叶斯分割

bioinspired：生物视觉

• 基于生物视觉模型：最小化噪声、亮度变化、瞬间事件分割、高动态范围色调映射方法

ccalib：自定义标定

• 三维重建、全方向的相机标定、随机模式标定、多相机标定

cnn_3dobj ：CNN物体识别和姿态估计

• 基于Caffe深度学习框架，训练、检测物体识别和姿态的CNN模型

cvv：计算机视觉调试的交互GUI

• 可以添加其中代码，可以在调试的时候弹出窗口进行交互，方便调试使用

datasets：数据集读取器

• 可以用来读取现在存在的计算机视觉的数据集，也有一些案例：使用这里面的代码去读取、测试、训练

dnn_objdetect： CNNs 的物体检测模型

• 使用简洁的CNN模型进行物体检测，使用caffe进行训练，但是使用 opencv_dnn模型进行识别

dnns_easily_fooled：欺骗CNN

• 使用网络中的激活，去使得CNN网络识别其他物体

dpm：可变型部件模型

• 一种目标检测的方法

face：人脸识别

• 人脸识别的一些方法：Eigen, Fisher and LBPH(Local Binary Pattern Histograms)

fuzzy：视觉的模糊逻辑

• 模糊逻辑图像变换、逆；模糊逻辑图像的处理

freetype：写字

• 使用freetype and harfbuzz库在图片写字

hdf：hdf存储

• 这个模块包含 I/O程序 对大量数据的存储

line_descriptor：线条匹配与提取

• 基于二进制描述子的一些方法用来提取、描述、封闭图片中线条的的部分

matlab

• MATLAB借口

optflow：光流

• 一些运行和估计光流的算法，光流包括 deepflow、simpleflow、sparsetodenseflow、sihouette flow等

ovis：3D可视化

• 使用OGRE 3D引擎去可视化3D数据

plot：画图

• 简单绘制1维和2维的图

reg：图像注册

• 像素级的图像注册-为了精准的对齐，基于论文的实现：“Image Alignment and Stitching: A Tutorial”, by Richard Szeliski.

rgbd：RGB-Depth处理模块

• Linemod 3D物体识别，快速3D表面法线和3D平面查找、3D视觉里程计、使用 KinectFusion进行3D重建

saliency：显著性

• 人们看着一个场景的哪里？对于 静态、运动、”没有物体的“ 的显著性是有套路的

sfm：2D到3D的算法

• 这个模块的核心是一个轻量级的Libmv，包含一些从2D图像到3D重建的算法

stereo：立体匹配

• 使用不同的描述子进行立体匹配：Census / CS-Census / MCT / BRIEF / MV ，和使用 Quasi 立体的方法进行稠密立体匹配

structured_light：结构光

• 利用结构光去分析场景深度

surface_matching：平面匹配

• 使用PPF特征进行3D物体识别和定位

text：文字识别

• 文字检测、分离、识别

tracking：目标跟踪

xfeatures2d： 2d特征算法

• 一些额外的实验性或者不是免费的2D特征检测、描述子的算法：SURF, SIFT, BRIEF, Censure, Freak, LUCID, Daisy, Self-similar.

ximgproc：扩展的图像处理

• 结构森林、一些滤波器(Domain Transform Filter / Guided Filter / Adaptive Manifold Filter / Joint Bilateral Filter / Superpixels / Ridge Detection Filter)

xobjdetect：增强的2d物体检测

• 级联检测器 ： LBP+_WaldBoost

xphoto：额外的照片处理

• 颜色均衡、降噪、图像修复