2. 程式人生 > >【OpenCV學習筆記 019】SIFT和SURF演算法實現目標檢測

【OpenCV學習筆記 019】SIFT和SURF演算法實現目標檢測

阿新 • • 發佈：2019-01-04

一、SIFT和SURF運算元實現特徵點檢測

概述

在OpenCV的features2d中實現了SIFT和SURF演算法，可以用於影象特徵點的自動檢測。具體實現是採用SiftFeatureDetector/SurfFeatureDetector類的detect函式檢測SIFT/SURF特徵的關鍵點，並儲存在vector容器中，最後使用drawKeypoints函式繪製出特徵點。

實驗所用環境是opencv2.4.9+vs2013+win7

SIFT特徵點檢測
實驗程式碼如下。這裡需要注意SiftFeatureDetector是包含在opencv2/nonfree/features2d.hpp中，所以應該include這個標頭檔案，並且在“專案屬性->連結器->輸入->附加依賴項”中加入庫檔案：opencv_nonfree249d.lib。

#include <stdio.h>
#include <iostream>
#include "opencv2/core/core.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/nonfree/features2d.hpp"	//SurfFeatureDetector實際在該標頭檔案中
using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
	Mat src = imread("image1.jpg", 0);

	if (!src.data)
	{
		cout << " --(!) Error reading images " << endl;
		return -1;
	}

	//1--初始化SIFT檢測運算元
	int minHessian = 400;
	SiftFeatureDetector detector(minHessian);

	//2--使用SIFT運算元檢測特徵點
	vector<KeyPoint> keypoints;
	detector.detect(src, keypoints);

	//3--繪製特徵點
	Mat keypointImg;
	drawKeypoints(src, keypoints, keypointImg, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
	imshow("SIFT keypoints", keypointImg);
	cout << "keypoint number: " << keypoints.size() << endl;

	waitKey(0);
	return 0;
}

   

SURF特徵點檢測
同樣的，使用SURF特徵描述子進行特徵點檢測的過程類似，只不過換成了SurfFeatureDetector類，實驗程式碼如下：

#include <stdio.h>
#include <iostream>
#include "opencv2/core/core.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/nonfree/features2d.hpp"	//SurfFeatureDetector實際在該標頭檔案中
using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
	Mat src = imread("image1.jpg", 0);

	if (!src.data)
	{
		cout << " --(!) Error reading images " << endl;
		return -1;
	}

	//1--初始化SIFT檢測運算元
	int minHessian = 400;
	SurfFeatureDetector  detector(minHessian);

	//2--使用SIFT運算元檢測特徵點
	vector<KeyPoint> keypoints;
	detector.detect(src, keypoints);

	//3--繪製特徵點
	Mat keypointImg;
	drawKeypoints(src, keypoints, keypointImg, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
	imshow("SIFT keypoints", keypointImg);
	cout << "keypoint number: " << keypoints.size() << endl;

	waitKey(0);
	return 0;
}
   

從檢測結果可以看出，SURF運算元檢測到的特徵點遠遠多於SIFT運算元，至於檢測的精確度如何，後面試試利用SIFT和SURF運算元進行特徵點匹配來區分。

二、SIFT和SURF運算元實現特徵點提取與匹配

前面SIFT和SURF運算元實現特徵點檢測簡單地講了利用SIFT和SURF運算元檢測特徵點，在檢測的基礎上可以使用SIFT和SURF運算元對特徵點進行特徵提取並使用匹配函式進行特徵點的匹配。具體實現是首先採用SurfFeatureDetector檢測特徵點，再使用SurfDescriptorExtractor計算特徵點的特徵向量，最後採用BruteForceMatcher暴力匹配法或者FlannBasedMatcher選擇性匹配法（二者的不同）來進行特徵點匹配。
實驗所用環境是opencv2.4.9+vs2013+win7，需要注意opencv2.4.X版本中SurfFeatureDetector是包含在opencv2/nonfree/features2d.hpp中，BruteForceMatcher是包含在opencv2/legacy/legacy.hpp中，FlannBasedMatcher是包含在opencv2/features2d/features2d.hpp中。

BruteForce匹配法
首先使用BruteForceMatcher暴力匹配法，程式碼如下：

#include <stdio.h>  
#include <iostream>  
#include "opencv2/core/core.hpp"  
#include "opencv2/nonfree/features2d.hpp"   //SurfFeatureDetector實際在該標頭檔案中  
#include "opencv2/legacy/legacy.hpp"    //BruteForceMatcher實際在該標頭檔案中  
//#include "opencv2/features2d/features2d.hpp"  //FlannBasedMatcher實際在該標頭檔案中  
#include "opencv2/highgui/highgui.hpp"  
using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
	Mat src_1 = imread("image1.jpg", CV_LOAD_IMAGE_GRAYSCALE);
	Mat src_2 = imread("image2.jpg", CV_LOAD_IMAGE_GRAYSCALE);

	if (!src_1.data || !src_2.data)
	{
		cout << " --(!) Error reading images " << endl;
		return -1;
	}

	//-- Step 1: 使用SURF運算元檢測特徵點  
	int minHessian = 400;
	SurfFeatureDetector detector(minHessian);
	vector<KeyPoint> keypoints_1, keypoints_2;
	detector.detect(src_1, keypoints_1);
	detector.detect(src_2, keypoints_2);
	cout << "img1--number of keypoints: " << keypoints_1.size() << endl;
	cout << "img2--number of keypoints: " << keypoints_2.size() << endl;

	//-- Step 2: 使用SURF運算元提取特徵（計算特徵向量）  
	SurfDescriptorExtractor extractor;
	Mat descriptors_1, descriptors_2;
	extractor.compute(src_1, keypoints_1, descriptors_1);
	extractor.compute(src_2, keypoints_2, descriptors_2);

	//-- Step 3: 使用BruteForce法進行暴力匹配  
	BruteForceMatcher< L2<float> > matcher;
	vector< DMatch > matches;
	matcher.match(descriptors_1, descriptors_2, matches);
	cout << "number of matches: " << matches.size() << endl;

	//-- 顯示匹配結果  
	Mat matchImg;
	drawMatches(src_1, keypoints_1, src_2, keypoints_2, matches, matchImg);
	imshow("matching result", matchImg);
	waitKey(0);

	return 0;
}

實驗結果：


FLANN匹配法
使用暴力匹配的結果不怎麼好，下面使用FlannBasedMatcher進行特徵匹配，只保留好的特徵匹配點，程式碼如下：

#include <stdio.h>
#include <iostream>
#include "opencv2/core/core.hpp"
#include "opencv2/nonfree/features2d.hpp"	//SurfFeatureDetector實際在該標頭檔案中
//#include "opencv2/legacy/legacy.hpp"	//BruteForceMatcher實際在該標頭檔案中
#include "opencv2/features2d/features2d.hpp"	//FlannBasedMatcher實際在該標頭檔案中
#include "opencv2/highgui/highgui.hpp"
using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
	Mat src_1 = imread("image1.jpg", CV_LOAD_IMAGE_GRAYSCALE);
	Mat src_2 = imread("image2.jpg", CV_LOAD_IMAGE_GRAYSCALE);

	if (!src_1.data || !src_2.data)
	{
		cout << " --(!) Error reading images " << endl;
		return -1;
	}

	//-- Step 1: 使用SURF運算元檢測特徵點
	int minHessian = 400;
	SurfFeatureDetector detector(minHessian);
	vector<KeyPoint> keypoints_1, keypoints_2;
	detector.detect(src_1, keypoints_1);
	detector.detect(src_2, keypoints_2);
	cout << "img1--number of keypoints: " << keypoints_1.size() << endl;
	cout << "img2--number of keypoints: " << keypoints_2.size() << endl;

	//-- Step 2: 使用SURF運算元提取特徵（計算特徵向量）
	SurfDescriptorExtractor extractor;
	Mat descriptors_1, descriptors_2;
	extractor.compute(src_1, keypoints_1, descriptors_1);
	extractor.compute(src_2, keypoints_2, descriptors_2);

	//-- Step 3: 使用FLANN法進行匹配
	FlannBasedMatcher matcher;
	vector< DMatch > allMatches;
	matcher.match(descriptors_1, descriptors_2, allMatches);
	cout << "number of matches before filtering: " << allMatches.size() << endl;

	//-- 計算關鍵點間的最大最小距離
	double maxDist = 0;
	double minDist = 100;
	for (int i = 0; i < descriptors_1.rows; i++)
	{
		double dist = allMatches[i].distance;
		if (dist < minDist)
			minDist = dist;
		if (dist > maxDist)
			maxDist = dist;
	}
	printf("	max dist : %f \n", maxDist);
	printf("	min dist : %f \n", minDist);

	//-- 過濾匹配點，保留好的匹配點（這裡採用的標準：distance<2*minDist）
	vector< DMatch > goodMatches;
	for (int i = 0; i < descriptors_1.rows; i++)
	{
		if (allMatches[i].distance < 2 * minDist)
			goodMatches.push_back(allMatches[i]);
	}
	cout << "number of matches after filtering: " << goodMatches.size() << endl;

	//-- 顯示匹配結果
	Mat matchImg;
	drawMatches(src_1, keypoints_1, src_2, keypoints_2,
		goodMatches, matchImg, Scalar::all(-1), Scalar::all(-1),
		vector<char>(),
		DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS //不顯示未匹配的點
		);
	imshow("matching result", matchImg);
	//-- 輸出匹配點的對應關係
	for (int i = 0; i < goodMatches.size(); i++)
		printf("	good match %d: keypoints_1 [%d]  -- keypoints_2 [%d]\n", i,
		goodMatches[i].queryIdx, goodMatches[i].trainIdx);

	waitKey(0);
	return 0;
}
實驗結果：


從第二個實驗結果可以看出，經過過濾之後特徵點數目從154減少到25，匹配的準確度有所上升。當然也可以使用SIFT運算元進行上述兩種匹配實驗，只需要將SurfFeatureDetector換成SiftFeatureDetector，將SurfDescriptorExtractor換成SiftDescriptorExtractor即可。

區別

    二者的區別在於BFMatcher總是嘗試所有可能的匹配，從而使得它總能夠找到最佳匹配，這也是Brute Force（暴力法）的原始含義。而FlannBasedMatcher中FLANN的含義是Fast Library forApproximate Nearest Neighbors，從字面意思可知它是一種近似法，演算法更快但是找到的是最近鄰近似匹配，所以當我們需要找到一個相對好的匹配但是不需要最佳匹配的時候往往使用FlannBasedMatcher。當然也可以通過調整FlannBasedMatcher的引數來提高匹配的精度或者提高演算法速度，但是相應地演算法速度或者演算法精度會受到影響。
    此外，使用特徵提取過程得到的特徵描述符（descriptor）資料型別有的是float型別的，比如說SurfDescriptorExtractor，SiftDescriptorExtractor，有的是uchar型別的，比如說有ORB，BriefDescriptorExtractor。對應float型別的匹配方式有：FlannBasedMatcher，BruteForce<L2<float>>，BruteForce<SL2<float>>，BruteForce<L1<float>>。對應uchar型別的匹配方式有：BruteForce<Hammin>，BruteForce<HammingLUT>。所以ORB和BRIEF特徵描述子只能使用BruteForce匹配法。

三、SIFT和SURF演算法實現目標檢測

概述

    之前SIFT和SURF運算元實現特徵點檢測和SURF運算元實現特徵點提取與匹配簡單地講了利用SIFT和SURF運算元檢測特徵點，並且對特徵點進行特徵提取得到特徵描述符（descriptors），在此基礎上還可以進一步利用透視變換和空間對映找出已知物體（目標檢測）。這裡具體的實現是首先採用SURF/SIFT特徵點檢測與特徵提取，然後採用FLANN匹配法保留好的匹配點，再利用findHomography找出相應的透視變換，最後採用perspectiveTransform函式對映點群，在場景中獲取目標的位置。
       實驗所用環境是opencv2.4.9+vs2013+win7，需要注意opencv2.4.X版本中SurfFeatureDetector/SiftFeatureDetector是包含在opencv2/nonfree/features2d.hpp中，FlannBasedMatcher是包含在opencv2/features2d/features2d.hpp中。

SURF運算元
首先使用SURF運算元進行目標檢測，程式碼如下：

/**
* @概述: 採用SURF運算元在場景中進行已知目標檢測
* @類和函式: SurfFeatureDetector + SurfDescriptorExtractor + FlannBasedMatcher + findHomography + perspectiveTransform
* @實現步驟：
*		Step 1: 在影象中使用SURF演算法SurfFeatureDetector檢測關鍵點
*		Step 2: 對檢測到的每一個關鍵點使用SurfDescriptorExtractor計算其特徵向量（也稱描述子）
*		Step 3: 使用FlannBasedMatcher通過特徵向量對關鍵點進行匹配，使用閾值剔除不好的匹配
*		Step 4: 利用findHomography基於匹配的關鍵點找出相應的透視變換
*		Step 5: 利用perspectiveTransform函式對映點群，在場景中獲取目標的位置
*/

#include <ctime>
#include <iostream>
#include "opencv2/core/core.hpp"	
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/nonfree/features2d.hpp"	//SurfFeatureDetector實際在該標頭檔案中
#include "opencv2/features2d/features2d.hpp"	//FlannBasedMatcher實際在該標頭檔案中
#include "opencv2/calib3d/calib3d.hpp"	//findHomography所需標頭檔案
using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
	Mat imgObject = imread("image1.jpg", CV_LOAD_IMAGE_GRAYSCALE);
	Mat imgScene = imread("image2.jpg", CV_LOAD_IMAGE_GRAYSCALE);

	if (!imgObject.data || !imgScene.data)
	{
		cout << " --(!) Error reading images " << endl;
		return -1;
	}

	double begin = clock();

	///-- Step 1: 使用SURF運算元檢測特徵點
	int minHessian = 400;
	SurfFeatureDetector detector(minHessian);
	vector<KeyPoint> keypointsObject, keypointsScene;
	detector.detect(imgObject, keypointsObject);
	detector.detect(imgScene, keypointsScene);
	cout << "object--number of keypoints: " << keypointsObject.size() << endl;
	cout << "scene--number of keypoints: " << keypointsScene.size() << endl;

	///-- Step 2: 使用SURF運算元提取特徵（計算特徵向量）
	SurfDescriptorExtractor extractor;
	Mat descriptorsObject, descriptorsScene;
	extractor.compute(imgObject, keypointsObject, descriptorsObject);
	extractor.compute(imgScene, keypointsScene, descriptorsScene);

	///-- Step 3: 使用FLANN法進行匹配
	FlannBasedMatcher matcher;
	vector< DMatch > allMatches;
	matcher.match(descriptorsObject, descriptorsScene, allMatches);
	cout << "number of matches before filtering: " << allMatches.size() << endl;

	//-- 計算關鍵點間的最大最小距離
	double maxDist = 0;
	double minDist = 100;
	for (int i = 0; i < descriptorsObject.rows; i++)
	{
		double dist = allMatches[i].distance;
		if (dist < minDist)
			minDist = dist;
		if (dist > maxDist)
			maxDist = dist;
	}
	printf("	max dist : %f \n", maxDist);
	printf("	min dist : %f \n", minDist);

	//-- 過濾匹配點，保留好的匹配點（這裡採用的標準：distance<3*minDist）
	vector< DMatch > goodMatches;
	for (int i = 0; i < descriptorsObject.rows; i++)
	{
		if (allMatches[i].distance < 2 * minDist)
			goodMatches.push_back(allMatches[i]);
	}
	cout << "number of matches after filtering: " << goodMatches.size() << endl;

	//-- 顯示匹配結果
	Mat resultImg;
	drawMatches(imgObject, keypointsObject, imgScene, keypointsScene,
		goodMatches, resultImg, Scalar::all(-1), Scalar::all(-1), vector<char>(),
		DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS //不顯示未匹配的點
		);
	//-- 輸出匹配點的對應關係
	for (int i = 0; i < goodMatches.size(); i++)
		printf("	good match %d: keypointsObject [%d]  -- keypointsScene [%d]\n", i,
		goodMatches[i].queryIdx, goodMatches[i].trainIdx);

	///-- Step 4: 使用findHomography找出相應的透視變換
	vector<Point2f> object;
	vector<Point2f> scene;
	for (size_t i = 0; i < goodMatches.size(); i++)
	{
		//-- 從好的匹配中獲取關鍵點: 匹配關係是關鍵點間具有的一 一對應關係，可以從匹配關係獲得關鍵點的索引
		//-- e.g. 這裡的goodMatches[i].queryIdx和goodMatches[i].trainIdx是匹配中一對關鍵點的索引
		object.push_back(keypointsObject[goodMatches[i].queryIdx].pt);
		scene.push_back(keypointsScene[goodMatches[i].trainIdx].pt);
	}
	Mat H = findHomography(object, scene, CV_RANSAC);

	///-- Step 5: 使用perspectiveTransform對映點群，在場景中獲取目標位置
	std::vector<Point2f> objCorners(4);
	objCorners[0] = cvPoint(0, 0);
	objCorners[1] = cvPoint(imgObject.cols, 0);
	objCorners[2] = cvPoint(imgObject.cols, imgObject.rows);
	objCorners[3] = cvPoint(0, imgObject.rows);
	std::vector<Point2f> sceneCorners(4);
	perspectiveTransform(objCorners, sceneCorners, H);

	//-- 在被檢測到的目標四個角之間劃線
	line(resultImg, sceneCorners[0] + Point2f(imgObject.cols, 0), sceneCorners[1] + Point2f(imgObject.cols, 0), Scalar(0, 255, 0), 4);
	line(resultImg, sceneCorners[1] + Point2f(imgObject.cols, 0), sceneCorners[2] + Point2f(imgObject.cols, 0), Scalar(0, 255, 0), 4);
	line(resultImg, sceneCorners[2] + Point2f(imgObject.cols, 0), sceneCorners[3] + Point2f(imgObject.cols, 0), Scalar(0, 255, 0), 4);
	line(resultImg, sceneCorners[3] + Point2f(imgObject.cols, 0), sceneCorners[0] + Point2f(imgObject.cols, 0), Scalar(0, 255, 0), 4);

	//-- 顯示檢測結果
	imshow("detection result", resultImg);

	double end = clock();
	cout << "\nSURF--elapsed time: " << (end - begin) / CLOCKS_PER_SEC * 1000 << " ms\n";

	waitKey(0);
	return 0;
}

SIFT運算元
作為對比，再使用SIFT運算元進行目標檢測，只需要將SurfFeatureDetector換成SiftFeatureDetector，將SurfDescriptorExtractor換成SiftDescriptorExtractor即可。程式碼如下： 
/**
* @概述: 採用SIFT運算元在場景中進行已知目標檢測
* @類和函式: SiftFeatureDetector + SiftDescriptorExtractor + FlannBasedMatcher + findHomography + perspectiveTransform
* @實現步驟：
*		Step 1: 在影象中使用SIFT演算法SiftFeatureDetector檢測關鍵點
*		Step 2: 對檢測到的每一個關鍵點使用SiftDescriptorExtractor計算其特徵向量（也稱描述子）
*		Step 3: 使用FlannBasedMatcher通過特徵向量對關鍵點進行匹配，使用閾值剔除不好的匹配
*		Step 4: 利用findHomography基於匹配的關鍵點找出相應的透視變換
*		Step 5: 利用perspectiveTransform函式對映點群，在場景中獲取目標的位置
*/

#include <ctime>
#include <iostream>
#include "opencv2/core/core.hpp"	
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/nonfree/features2d.hpp"	//SiftFeatureDetector實際在該標頭檔案中
#include "opencv2/features2d/features2d.hpp"	//FlannBasedMatcher實際在該標頭檔案中
#include "opencv2/calib3d/calib3d.hpp"	//findHomography所需標頭檔案
using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
	Mat imgObject = imread("image1.jpg", CV_LOAD_IMAGE_GRAYSCALE);
	Mat imgScene = imread("image2.jpg", CV_LOAD_IMAGE_GRAYSCALE);

	if (!imgObject.data || !imgScene.data)
	{
		cout << " --(!) Error reading images " << endl;
		return -1;
	}

	double begin = clock();

	///-- Step 1: 使用SIFT運算元檢測特徵點
	//int minHessian = 400;
	SiftFeatureDetector detector;//( minHessian );
	vector<KeyPoint> keypointsObject, keypointsScene;
	detector.detect(imgObject, keypointsObject);
	detector.detect(imgScene, keypointsScene);
	cout << "object--number of keypoints: " << keypointsObject.size() << endl;
	cout << "scene--number of keypoints: " << keypointsScene.size() << endl;

	///-- Step 2: 使用SIFT運算元提取特徵（計算特徵向量）
	SiftDescriptorExtractor extractor;
	Mat descriptorsObject, descriptorsScene;
	extractor.compute(imgObject, keypointsObject, descriptorsObject);
	extractor.compute(imgScene, keypointsScene, descriptorsScene);

	///-- Step 3: 使用FLANN法進行匹配
	FlannBasedMatcher matcher;
	vector< DMatch > allMatches;
	matcher.match(descriptorsObject, descriptorsScene, allMatches);
	cout << "number of matches before filtering: " << allMatches.size() << endl;

	//-- 計算關鍵點間的最大最小距離
	double maxDist = 0;
	double minDist = 100;
	for (int i = 0; i < descriptorsObject.rows; i++)
	{
		double dist = allMatches[i].distance;
		if (dist < minDist)
			minDist = dist;
		if (dist > maxDist)
			maxDist = dist;
	}
	printf("	max dist : %f \n", maxDist);
	printf("	min dist : %f \n", minDist);

	//-- 過濾匹配點，保留好的匹配點（這裡採用的標準：distance<3*minDist）
	vector< DMatch > goodMatches;
	for (int i = 0; i < descriptorsObject.rows; i++)
	{
		if (allMatches[i].distance < 2 * minDist)
			goodMatches.push_back(allMatches[i]);
	}
	cout << "number of matches after filtering: " << goodMatches.size() << endl;

	//-- 顯示匹配結果
	Mat resultImg;
	drawMatches(imgObject, keypointsObject, imgScene, keypointsScene,
		goodMatches, resultImg, Scalar::all(-1), Scalar::all(-1), vector<char>(),
		DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS //不顯示未匹配的點
		);
	//-- 輸出匹配點的對應關係
	for (int i = 0; i < goodMatches.size(); i++)
		printf("	good match %d: keypointsObject [%d]  -- keypointsScene [%d]\n", i,
		goodMatches[i].queryIdx, goodMatches[i].trainIdx);

	///-- Step 4: 使用findHomography找出相應的透視變換
	vector<Point2f> object;
	vector<Point2f> scene;
	for (size_t i = 0; i < goodMatches.size(); i++)
	{
		//-- 從好的匹配中獲取關鍵點: 匹配關係是關鍵點間具有的一 一對應關係，可以從匹配關係獲得關鍵點的索引
		//-- e.g. 這裡的goodMatches[i].queryIdx和goodMatches[i].trainIdx是匹配中一對關鍵點的索引
		object.push_back(keypointsObject[goodMatches[i].queryIdx].pt);
		scene.push_back(keypointsScene[goodMatches[i].trainIdx].pt);
	}
	Mat H = findHomography(object, scene, CV_RANSAC);

	///-- Step 5: 使用perspectiveTransform對映點群，在場景中獲取目標位置
	std::vector<Point2f> objCorners(4);
	objCorners[0] = cvPoint(0, 0);
	objCorners[1] = cvPoint(imgObject.cols, 0);
	objCorners[2] = cvPoint(imgObject.cols, imgObject.rows);
	objCorners[3] = cvPoint(0, imgObject.rows);
	std::vector<Point2f> sceneCorners(4);
	perspectiveTransform(objCorners, sceneCorners, H);

	//-- 在被檢測到的目標四個角之間劃線
	line(resultImg, sceneCorners[0] + Point2f(imgObject.cols, 0), sceneCorners[1] + Point2f(imgObject.cols, 0), Scalar(0, 255, 0), 4);
	line(resultImg, sceneCorners[1] + Point2f(imgObject.cols, 0), sceneCorners[2] + Point2f(imgObject.cols, 0), Scalar(0, 255, 0), 4);
	line(resultImg, sceneCorners[2] + Point2f(imgObject.cols, 0), sceneCorners[3] + Point2f(imgObject.cols, 0), Scalar(0, 255, 0), 4);
	line(resultImg, sceneCorners[3] + Point2f(imgObject.cols, 0), sceneCorners[0] + Point2f(imgObject.cols, 0), Scalar(0, 255, 0), 4);

	//-- 顯示檢測結果
	imshow("detection result", resultImg);

	double end = clock();
	cout << "\nSIFT--elapsed time: " << (end - begin) / CLOCKS_PER_SEC * 1000 << " ms\n";

	waitKey(0);
	return 0;
}





相關推薦

【OpenCV學習筆記 019】SIFT和SURF演算法實現目標檢測

一、SIFT和SURF運算元實現特徵點檢測 概述 在OpenCV的features2d中實現了SIFT和SURF演算法，可以用於影象特徵點的自動檢測。具體實現是採用SiftFeatureDetector/SurfFeatureDetector類的detect函式檢測SIFT

【OpenCV學習筆記 004】 影象的縮放、Canny邊緣檢測和影象的二值化

一、影象的縮放 本篇將介紹使用OpenCV來縮放圖片。首先介紹幾個關鍵函式——cvResize和cvCreateImage 1.主要函式介紹 1.1 cvResize 函式功能：影象大小變換 函式原型： voidcvResize(   const CvArr* src,

【opencv學習筆記二】opencv3.4.0元件結構說明

在學習opencv使用之前我們先來看一下opencv有哪些元件結構。至於OpenCV元件結構的研究方法，我們不妨管中窺豹，通過opencv安裝路徑下include目錄裡面標頭檔案的分類存放，來一窺OpenCV這些年迅猛發展起來的龐雜元件架構。我們進入到D:\ProgramFi

【OpenCV學習筆記 020】K-Means聚類演算法介紹及實現

一、K-Means演算法介紹 在資料探勘中，K-Means演算法是一種cluster analysis的演算法，其主要是來計算資料聚集的演算法，主要通過不斷地取離種子點最近均值的演算法。 問題 K-Means演算法主要解決的問題如下圖所示。我們可以看到，在圖的左邊有一些點，

【OpenCV學習筆記 010】提取直線、輪廓及連通區域

一、Canny運算元檢測輪廓   (http://blog.csdn.net/davebobo/article/details/52583167) 1.概念及原理 (1)之前我們是對梯度大小進行閾值化以得到二值的邊緣影象。但是這樣做有兩個缺點。其一是檢測到的邊緣過粗，難以實

【opencv學習筆記一】opencv下載安裝與VS2017開發環境配置

目錄1.opencv下載與安裝2.計算機環境變數配置3.VS目錄包含l  包含目錄l  工程錄目錄l  附加依賴項l  在Windows資料夾下加入OpenCV動態連結庫正文一、opencv下載與安裝1.下載地址：官網下載地址https://opencv.org/      

【OpenCV學習筆記 023】兩種影象分割方法比較

此次研究兩種影象分割法，分別是基於形態學的分水嶺演算法和基於圖割理論的GrabCut演算法。OpenCV均提供了兩張演算法或其變種。鑑於研究所需，記錄一些知識點，開發平臺為OpenCV2.4.9+Qt5.3.2。 一、使用分水嶺演算法進行影象分割 分水嶺變換是一種常用的影象處理演算法，在網上很容易搜到詳細

【opencv學習筆記四】opencv3.4.0圖形使用者介面highgui函式解析

在筆記二中我們已經知道了，在highgui資料夾下的正是opencv圖形使用者介面功能結構，我們這篇部落格所說的便是D:\Program Files\opencv340\opencv\build\include\opencv2\highgui\highgui.hpp中的函數了

【OpenCV學習筆記】三十七、特徵檢測與匹配(二)——SIFT特徵點匹配

特徵檢測與匹配(二)——SIFT特徵點匹配 1.SIFT特徵點提取 2.繪製特徵點 3.特徵點描述符(特徵向量)提取 4.使用暴力匹配器進行暴力匹配 5.對匹配結果進行篩選（依據DMatch結構體中的float型別變數distance進行篩選） 6.繪製匹配結果 先上ppt

【深度學習筆記1】如何建立和確定模型正確性？如何優化模型？

近期看了吳恩達的一本書，關於如何建立和確定優化模型？裡面有個人認為需要學習的地方，故做筆記： 1.模型訓練一共有三個資料集：訓練集、開發集（驗證集）、測試集。開發集不能太小，通常在1000-10000，並且測試集屬於同一分佈；2.過擬合：訓練過程中開發集的準確率和測試集測試的準確率差別不大，若開發集比測試集

【機器學習筆記20】神經網路（鏈式求導和反向傳播)

【參考文獻】 【1】《面向機器智慧的TensorFlow實踐》4.7 假設存在網路結果如下 各個層輸出定義 L1=sigmoid(w1⋅x)L_1 = sigmoid(w_1 \cdot x)L1​=sigmoid(w1​⋅x) L2=sigmoid(w2⋅L

【機器學習筆記27】CART演算法-迴歸樹和分類樹

基本概念 分類和迴歸樹(classification and regression tree, CART) 是應用廣泛的決策樹學習方法，由特徵選擇、樹的生成和剪枝組成，既可以用做分類也可以用作迴歸。 迴歸樹 迴歸樹的定義 假設X和Y分別作為輸入和輸出變數，那麼

【OpenCV學習筆記】之影象輪廓特徵與影象的矩

轉載： https://blog.csdn.net/zhu_hongji/article/details/81699736   一、影象的輪廓(Contours of Image)        輪廓可以說是一個很好的影象目標的

【HTML5學習筆記一】環境搭建和需要掌握的技能

初學HTML5，特此寫一些學習筆記，記錄自己的成長。 一、開發環境     1.安裝JDK（現在暫時還沒用到，估計以後會用到）。     2.配置環境變數          2.1.新建JAVA_H

【Robot定位 學習筆記 1】GPS和IMU（慣導）在無人駕駛中的應用

無人駕駛定位技術 行車定位是無人駕駛最核心的技術之一，全球定位系統（GPS）在無人駕駛定位中也擔負起相當重要的職責。然而無人車是在複雜的動態環境中行駛，尤其在大城市，GPS多路徑反射的問題會很明顯。這樣得到的GPS定位資訊很容易就有幾米的誤差。對於在有限寬度高速行駛的汽車來說，這樣的誤差很有可能

【OpenCV學習筆記】2.3影象的腐蝕、膨脹、模糊、邊緣檢測

一、腐蝕和膨脹： 膨脹演算法使影象擴大一圈 腐蝕演算法使二值影象減小一圈 1、演算法： 從影象處理角度看，二值影象的腐蝕和膨脹就是將一個小型二值圖（結構元素，一般為3*3大小）在一個大的二值圖上逐點移動並進行比較，根據比較的結果作出相應處理而已。

【opencv學習筆記】002之載入影象imread、修改影象cvtColor、顯示影象imshow及儲存影象imwrite

目錄 一、前言 二、影象基本操作 1、載入影象CV :: imread 2、建立視窗cv::namedWindow 3、顯示影象CV :: imshow 4、修改影象 (cv::cvtColor) 5、儲存影象 (cv::imwrite) 三、全部程式碼及結果展示

【opencv學習筆記】1、opencv縮放圖片

#include <opencv2\opencv.hpp> using namespace std; int main() { //定義原圖視窗標題 const char *windowsTitle = "原圖"; //定義縮放後窗口標題 const char *

【OpenCV學習筆記】之三：Mat初始建立方法----要求資料連續儲存

int rows=15; // int cols=40; int size=rows*cols; vector<int>Va(size); vector<Vec<int, 8>>Vb(size); vector<Vec4i>V

【js學習筆記-057】建構函式過載和工廠方法

通過過載建構函式讓它根據傳入引數的不同來執行不同的初始化方法。如Set建構函式 function Set(){   this.values= {};   this.n = 0;   if(argume