Opencv学习之ORB特征提取和匹配

**

Opencv学习之ORB特征提取和匹配

**
编译环境：VS2017 + Opencv3.4.7
注：ORB算法是Opencv3之后才有的。

ORB特征的介绍：ORB特征是由关键点和描述子两部分组成。

提取ORB特征分为如下两个步骤：

1.FAST角点提取：FAST是一种角点，主要检测局部像素灰度变化明显的地方。找出图像中的“角点”，相较于原版的FAST，ORB中计算了特征点的主方向，为后续的BRIEF描述子增加了旋转不变特性。

2.BRIEF描述子：BRIEF是一种二进制描述子，其描述向量由许多0和1组成，需要用汉明距离度量，对提取出的特征点的周围图像区域进行描述，使用先前计算的方向信息。

特征匹配：简单的暴力匹配，对每个特征点与所有的待匹配点，测量它们描述子之间的距离，然后排序，取最近的一个作为匹配点。描述子距离表示了两个特征之间的相似程度，两个二进制串之间的汉明距离，指的是其不同位数的个数。

#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <chrono>   

using namespace std;
using namespace cv;

int main(int argc, char **argv)
{
	
	//读取图像
	Mat img_1 = imread("../Images/L10.jpg", CV_LOAD_IMAGE_COLOR);
	Mat img_2 = imread("../Images/R10.jpg", CV_LOAD_IMAGE_COLOR);
	assert(img_1.data != nullptr && img_2.data != nullptr);

	//初始化
	std::vector<KeyPoint> keypoints_1, keypoints_2;
	Mat descriptors_1, descriptors_2;
	Ptr<FeatureDetector> detector = ORB::create();
	Ptr<FeatureDetector> descriptor = ORB::create();
	Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");

	//第一步，检测Oriented FAST 角点位置
	chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
	detector->detect(img_1, keypoints_1);
	detector->detect(img_2, keypoints_2);

	//第二部，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);
	chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
	chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<doub``le>>(t2 - t1);
	cout << "extract ORB cost = " << time_used.count() << "seconds." << endl;

	Mat outimg1;
	drawKeypoints(img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
	imshow("ORB features", outimg1);

	//第三步：对两幅图像中打BRIEF描述子进行匹配，使用Hamming距离
	vector<DMatch> matches;
	t1 = chrono::steady_clock::now();
	matcher->match(descriptors_1, descriptors_2, matches);
	t2 = chrono::steady_clock::now();
	time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
	cout << "match ORB cost = " << time_used.count() << "seconds." << endl;

	//第四步：匹配点对筛选   计算最小距离和最大距离
	auto min_max = minmax_element(matches.begin(), matches.end(), [](const DMatch &m1, const DMatch &m2) { return m1.distance < m2.distance; });
	double min_dist = min_max.first->distance;
	double max_dist = min_max.second->distance;

	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);
	imshow("all matches", img_match);
	imwrite("../Result/img_match_1.jpg", img_match);
	imshow("good matches", img_goodmatch);
	imwrite("../Result/img_goodmatch_1.jpg", img_goodmatch);
	waitKey(0);

	return 0;
}