OpenCV2:特征匹配及其优化

在OpenCV2简单的特征匹配中对使用OpenCV2进行特征匹配的步骤做了一个简单的介绍，其匹配出的结果是非常粗糙的，在这篇文章中对使用OpenCV2进行匹配的细化做一个简单的总结。主要包括以下几个内容：

• DescriptorMatcher
• DMatcher
• KNN匹配
• 计算两视图的基础矩阵F，并细化匹配结果
• 计算两视图的单应矩阵H，并细化匹配结果

DescriptorMatcher 和 DMatcher

DescriptorMatcher是匹配特征向量的抽象类，在OpenCV2中的特征匹配方法都继承自该类（例如：BFmatcher，FlannBasedMatcher）。该类主要包含了两组匹配方法：图像对之间的匹配以及图像和一个图像集之间的匹配。

用于图像对之间匹配的方法的声明

// Find one best match for each query descriptor (if mask is empty).

    CV_WRAP void match( const Mat& queryDescriptors, const Mat& trainDescriptors,

                CV_OUT vector<DMatch>& matches, const Mat& mask=Mat() ) const;

    // Find k best matches for each query descriptor (in increasing order of distances).

    // compactResult is used when mask is not empty. If compactResult is false matches

    // vector will have the same size as queryDescriptors rows. If compactResult is true

    // matches vector will not contain matches for fully masked out query descriptors.

    CV_WRAP void knnMatch( const Mat& queryDescriptors, const Mat& trainDescriptors,

                   CV_OUT vector<vector<DMatch> >& matches, int k,

                   const Mat& mask=Mat(), bool compactResult=false ) const;

    // Find best matches for each query descriptor which have distance less than

    // maxDistance (in increasing order of distances).

    void radiusMatch( const Mat& queryDescriptors, const Mat& trainDescriptors,

                      vector<vector<DMatch> >& matches, float maxDistance,

                      const Mat& mask=Mat(), bool compactResult=false ) const;

方法重载，用于图像和图像集匹配的方法声明

CV_WRAP void match( const Mat& queryDescriptors, CV_OUT vector<DMatch>& matches,

                const vector<Mat>& masks=vector<Mat>() );

    CV_WRAP void knnMatch( const Mat& queryDescriptors, CV_OUT vector<vector<DMatch> >& matches, int k,

           const vector<Mat>& masks=vector<Mat>(), bool compactResult=false );

    void radiusMatch( const Mat& queryDescriptors, vector<vector<DMatch> >& matches, float maxDistance,

                   const vector<Mat>& masks=vector<Mat>(), bool compactResult=false );

DMatcher 是用来保存匹配结果的，主要有以下几个属性

CV_PROP_RW int queryIdx; // query descriptor index

    CV_PROP_RW int trainIdx; // train descriptor index

    CV_PROP_RW int imgIdx;   // train image index



    CV_PROP_RW float distance;

在图像匹配时有两种图像的集合，查找集（Query Set）和训练集（Train Set），对于每个Query descriptor，DMatch中保存了和其最好匹配的Train descriptor。另外，每个train image会生成多个train descriptor。

如果是图像对之间的匹配的话，由于所有的train descriptor都是由一个train image生成的，所以在匹配结果DMatch中所有的imgIdx是一样的，都为0.

KNNMatch

匹配过程中很可能发生错误的匹配，错误的匹配主要有两种：匹配的特征点事错误的，图像上的特征点无法匹配。常用的删除错误的匹配有

• 交叉过滤

  如果第一幅图像的一个特征点和第二幅图像的一个特征点相匹配，则进行一个相反的检查，即将第二幅图像上的特征点与第一幅图像上相应特征点进行匹配，如果匹配成功，则认为这对匹配是正确的。

  OpenCV中的BFMatcher已经包含了这种过滤   BFMatcher matcher(NORM_L2,true)，在构造BFMatcher是将第二个参数设置为true。

• 比率测试
  KNNMatch，可设置K = 2 ，即对每个匹配返回两个最近邻描述符，仅当第一个匹配与第二个匹配之间的距离足够小时，才认为这是一个匹配。

在抽象基类DescriptorMatcher中封装了knnMatch方法，具体使用方法如下：

void FeatureMatchTest::knnMatch(vector<DMatch>& matches) {



    const float minRatio = 1.f / 1.5f;

    const int k = 2;



    vector<vector<DMatch>> knnMatches;

    matcher->knnMatch(leftPattern->descriptors, rightPattern->descriptors, knnMatches, k);



    for (size_t i = 0; i < knnMatches.size(); i++) {

        const DMatch& bestMatch = knnMatches[i][0];

        const DMatch& betterMatch = knnMatches[i][1];



        float  distanceRatio = bestMatch.distance / betterMatch.distance;

        if (distanceRatio < minRatio)

            matches.push_back(bestMatch);

    }

}

 

RASIC方法计算基础矩阵，并细化匹配结果

如果已经知道了两视图（图像）间的多个点的匹配，就可以进行基础矩阵F的计算了。OpenCV2中可以使用findFundamentalMat方法，其声明如下：

//! finds fundamental matrix from a set of corresponding 2D points

CV_EXPORTS_W Mat findFundamentalMat( InputArray points1, InputArray points2,

                                     int method=FM_RANSAC,

                                     double param1=3., double param2=0.99,

                                     OutputArray mask=noArray());

参数说明：

points1，points2 两幅图像间相匹配的点，点的坐标要是浮点数（float或者double）

第三个参数method是用来计算基础矩阵的具体方法，是一个枚举值。

param1,param2保持默认值即可。

主要来说下mask参数，有N个匹配点用来计算基础矩阵，则该值有N个元素，每个元素的值为0或者1.值为0时，代表该匹配点事错误的匹配（离群值），只在使用RANSAC和LMeds方法时该值有效，

可以使用该值来删除错误的匹配。

另外，在匹配完成后使用得到的匹配点来计算基础矩阵时，首先需要将特征点对齐，并且将特征点转换为2D点，具体实现如下：

//Align all points

    vector<KeyPoint> alignedKps1, alignedKps2;

    for (size_t i = 0; i < matches.size(); i++) {

        alignedKps1.push_back(leftPattern->keypoints[matches[i].queryIdx]);

        alignedKps2.push_back(rightPattern->keypoints[matches[i].trainIdx]);

    }



    //Keypoints to points

    vector<Point2f> ps1, ps2;

    for (unsigned i = 0; i < alignedKps1.size(); i++)

        ps1.push_back(alignedKps1[i].pt);



    for (unsigned i = 0; i < alignedKps2.size(); i++)

        ps2.push_back(alignedKps2[i].pt);

使用RANSAC方法计算基础矩阵后可以得到一个status向量，用来删除错误的匹配

//优化匹配结果

    vector<KeyPoint> leftInlier;

    vector<KeyPoint> rightInlier;

    vector<DMatch> inlierMatch;



    int index = 0;

    for (unsigned i = 0; i < matches.size(); i++) {

        if (status[i] != 0){

            leftInlier.push_back(alignedKps1[i]);

            rightInlier.push_back(alignedKps2[i]);

            matches[i].trainIdx = index;

            matches[i].queryIdx = index;

            inlierMatch.push_back(matches[i]);

            index++;

        }

    }

    leftPattern->keypoints = leftInlier;

    rightPattern->keypoints = rightInlier;

    matches = inlierMatch;

计算单应矩阵H，并细化匹配结果

同基础矩阵类似，得到匹配的特征点后也可以计算单应矩阵。

//! computes the best-fit perspective transformation mapping srcPoints to dstPoints.

CV_EXPORTS_W Mat findHomography( InputArray srcPoints, InputArray dstPoints,

                                 int method=0, double ransacReprojThreshold=3,

                                 OutputArray mask=noArray());

参数说明：

srcPoints,dstPoints是两视图中匹配的点

method 是计算单应矩阵所使用的方法，是一个枚举值。

ransacReprojThreshold 是允许的最大反投影错误，只在使用RANSAC方法时有效。

mask 同findFundamentalMat 类似，指出匹配的点是不是离群值，用来优化匹配结果。

void FeatureMatchTest::refineMatcheswithHomography(vector<DMatch>& matches, double reprojectionThreshold, Mat& homography){

    const int minNumbermatchesAllowed = 8;

    if (matches.size() < minNumbermatchesAllowed)

        return;



    //Prepare data for findHomography

    vector<Point2f> srcPoints(matches.size());

    vector<Point2f> dstPoints(matches.size());



    for (size_t i = 0; i < matches.size(); i++) {

        srcPoints[i] = rightPattern->keypoints[matches[i].trainIdx].pt;

        dstPoints[i] = leftPattern->keypoints[matches[i].queryIdx].pt;

    }



    //find homography matrix and get inliers mask

    vector<uchar> inliersMask(srcPoints.size());

    homography = findHomography(srcPoints, dstPoints, CV_FM_RANSAC, reprojectionThreshold, inliersMask);



    vector<DMatch> inliers;

    for (size_t i = 0; i < inliersMask.size(); i++){

        if (inliersMask[i])

            inliers.push_back(matches[i]);

    }

    matches.swap(inliers);

}

 

匹配结果对比

基础矩阵后的过滤	单应矩阵后的过滤
交叉过滤	KNNMatch

 

代码说明

定义了Pattern结构用来保存匹配过程中需要用到的数据

struct Pattern

{

    cv::Mat image;

    std::vector<cv::KeyPoint>  keypoints;

    cv::Mat descriptors;



    Pattern(cv::Mat& img) :

        image(img) {}

};

 

将各种匹配方法封装到了一个类中，在该类的构造函数中填充Pattern取得匹配所需的数据

FeatureMatchTest::FeatureMatchTest(std::shared_ptr<Pattern> left, std::shared_ptr<Pattern> right, std::shared_ptr<cv::DescriptorMatcher> matcher) :

leftPattern(left), rightPattern(right), matcher(matcher) {



    //step1:Create detector

    int minHessian = 400;

    SurfFeatureDetector detector(minHessian);



    //step2:Detecte keypoint

    detector.detect(leftPattern->image, leftPattern->keypoints);

    detector.detect(rightPattern->image, rightPattern->keypoints);



    //step3:Compute descriptor

    detector.compute(leftPattern->image, leftPattern->keypoints, leftPattern->descriptors);

    detector.compute(rightPattern->image, rightPattern->keypoints, rightPattern->descriptors);

}