11 特征检测与描述之匹配特征点

查看大图

OpenCV 学习要把图像输入、处理步骤、检测结果和工程性能放在一起验证。阅读时可以按「特征点匹配的意义 -> 主要步骤 -> 过滤匹配结果 -> 代码示例」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「特征点匹配的意义」，再查「主要步骤」。

在前一篇中，我们详细探讨了特征描述子的概念及其生成方法。特征描述子是用来表征图像中的特征点的重要工具。它们能够帮助我们识别和区分不同的特征点。现在，我们将深入研究如何将这些特征描述子用于特征点的匹配，这是计算机视觉中一个重要的步骤。

特征点匹配的意义

特征点匹配的主要目的是在两幅图像之间找到相似的特征点。这可以应用于多种场景，例如：图像拼接、三维重建、对象识别等。在进行特征匹配时，我们通常需要使用之前生成的特征描述子来度量特征点之间的相似度。

主要步骤

在OpenCV中，特征点匹配通常包括以下几个步骤：

1. 提取特征点和描述子：利用如 SIFT、SURF 或 ORB 等算法提取特征点并计算描述子。
2. 特征点匹配：使用合适的匹配算法（如 BFMatcher 或 FLANN）匹配两幅图像中的特征点。
3. 过滤匹配结果：通过一些策略（如最近邻比率测试）来过滤掉不可靠的匹配结果。
4. 可视化匹配结果：将匹配的特征点在源图像中可视化，以检查匹配的准确性。

代码示例

下面是一个简单的代码示例，展示如何使用 OpenCV 进行特征点的提取和匹配：

import cv2
import numpy as np

# 加载图像
img1 = cv2.imread('image1.jpg', cv2.IMREAD_GRAYSCALE) # 查询图像
img2 = cv2.imread('image2.jpg', cv2.IMREAD_GRAYSCALE) # 训练图像

# 初始化ORB检测器
orb = cv2.ORB_create()

# 检测关键点和计算描述子
keypoints1, descriptors1 = orb.detectAndCompute(img1, None)
keypoints2, descriptors2 = orb.detectAndCompute(img2, None)

# 创建BFMatcher对象
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

# 进行匹配
matches = bf.match(descriptors1, descriptors2)

# 按照匹配的距离进行排序
matches = sorted(matches, key=lambda x: x.distance)

# 可视化匹配结果
img_matches = cv2.drawMatches(img1, keypoints1, img2, keypoints2, matches[:50], None)

# 显示结果
cv2.imshow('Matches', img_matches)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码解析

• 通过 cv2.ORB_create() 初始化了一个ORB检测器。
• 使用 detectAndCompute 方法提取关键点和计算描述子。
• 创建了一个 BFMatcher 对象，采用汉明距离（cv2.NORM_HAMMING）作为特征匹配的度量标准。
• 匹配结果依据距离进行排序， drawMatches 方法则将匹配结果可视化。

过滤匹配结果

为了提高匹配的准确性，通常需要在匹配之后对结果进行过滤。一个常用的策略是 最近邻比率测试。设定一个比率阈值，例如 0.75，只有当最接近的两个描述子之间的距离比值小于这个阈值时，我们才认为这个匹配是可靠的。

代码示例（包括比率测试）

# 创建FLANN匹配对象
FLANN_INDEX_LSH = 6
index_params = dict(algorithm=FLANN_INDEX_LSH, trees=5)
search_params = dict(checks=50)  # 或使用空字典

![特征点匹配判断卡](/images/opencv-tutorial/lesson-11-feature-match-card.svg)

匹配特征点时，先看描述子距离、最近邻比例、匹配数量、RANSAC 和结果可视化。

flann = cv2.FlannBasedMatcher(index_params, search_params)

# KNN匹配
matches = flann.knnMatch(descriptors1, descriptors2, k=2)

# 比率测试
good_matches = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good_matches.append(m)

# 可视化结果
img_good_matches = cv2.drawMatches(img1, keypoints1, img2, keypoints2, good_matches, None)
cv2.imshow('Good Matches', img_good_matches)
cv2.waitKey(0)
cv2.destroyAllWindows()

查看大图

如果《特征检测与描述之匹配特征点》还没完全消化，可以从这张卡片的四个动作重新走一遍。

查看大图

回看《特征检测与描述之匹配特征点》时，不必一次做大项目，先用一条简单样例确认主线是否清楚。

总结

特征点的匹配是计算机视觉中一个非常重要的环节，通过合理的特征点匹配方法，我们可以提高许多视觉任务的准确性。在这一节中，我们探讨了特征描述子的提取、匹配及后续的过滤步骤，为下一节关于目标检测的讨论打下了坚实的基础。

查看大图

学习《特征检测与描述之匹配特征点》不必一口气吃完所有细节。先挑一个能动手验证的小问题，再顺着图和正文补齐概念。

接下来，我们将一起深入了解目标检测的概述，揭示如何利用特征匹配的结果来实现对象的定位与识别。