ORB角点检测--快速近似最近邻（FLANN）匹配--c++

最新推荐文章于 2025-11-19 20:05:40 发布

原创

最新推荐文章于 2025-11-19 20:05:40 发布 · 1.3k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#opencv #计算机视觉

文章介绍了图像处理中的特征匹配概念，包括关键点和描述子的生成。重点讲述了OpenCV中两种匹配算法——暴力匹配和FLANN匹配，特别提到了ORB特征的快速匹配特性。示例代码展示了C++中如何使用FLANN进行特征匹配，并通过距离阈值筛选出好的匹配点。

/*描述子匹配

图像特征检测首先会获取关键点，然后根据关键点周围像素ROI区域的大小，生成描述子，完整的描述子向量就表示了一张图像的特征，
是图像特征数据，这种方式也被称为图像特征工程，即通过先验模型与合理计算得到图像特征数据的过程，有了特征数据我们就可以利
用特征数据实现对象检测与对象识别，这个最简单一个方法就是特征匹配，OPenCV提供了两种图像特征匹配的算法
- 暴力匹配
- FLANN匹配
其中FLANN是一种高效的数值或者字符串匹配算法，SIFT/SURF是基于浮点数的匹配，ORB是二值匹配，速度更快。对于FLANN匹配算法，
当使用ORB匹配算法的时候，需要重新构造HASH。这个在C++的代码种做了演示。暴力匹配在Python代码种做了演示。对匹配之后的输出
结果，根据距离进行排序，就会得到距离比较的匹配点，这个才是好的特征匹配。*/

#include <opencv2/opencv.hpp>
#include <iostream>
#include <math.h>
#define RATIO    0.4
using namespace cv;
using namespace std;

int main(int argc, char** argv) {
	Mat box = imread("../data/box.png");
	Mat scene = imread("../data/box_in_scene.png");
	if (scene.empty()) {
		printf("could not load image...\n");
		return -1;
	}
	imshow("input image", scene);
	vector<KeyPoint> keypoints_obj, keypoints_sence;
	Mat descriptors_box, descriptors_sence;
	Pt