关于OpenCV的那些事——Orb角点检测，BF匹配跟踪和LK光流跟踪

从这一节开始学习OpenCV并使用它实现PTAM 的另类版本：Feature Tracking and Synchronous Scene Generation with a Single Camera主要思想还是parallel，两个线程tracking和mapping并行运行。这里我将mapping简化为generation，细节以后会做具体介绍，今天开始记录我的研究历程。

上一节中我们选择Orb算法因为它速度快，性能佳，性价比极高。这一节第一部分我们首先使用Orb算法对两幅静态图像进行角点检测然后使用BF（Brute-Force）匹配并画出匹配点。第二部分我们从摄像头里得到的每一帧进行角点检测并作BF匹配。（我使用的OpenCV版本是2.4.10，关于OpenCV配置，感谢浅墨大神的入门教程）

第一部分：

Orb算法里简单的实现了检测和匹配。因为我们要进行的实时匹配，所以每两帧图相间的差别很小，镜头或物体在极短时间内属于小运动，位移差别不大，这正好为我们提供了过滤错误匹配的方法。如下面代码里我们说明若匹配点对中的点相隔距离大于30，我们即认为匹配错误。

#include <core/core.hpp> 
#include <highgui/highgui.hpp> 
#include <features2d/features2d.hpp>
#include <iostream>
#include <windows.h>

using namespace cv;
using namespace std;
int main(int argc, char** argv) 
{ 
	Mat img_1 = imread("C:\\Users\\柴\\Pictures\\Logitech Webcam\\Picture 9.jpg"); 
	Mat img_2 = imread("C:\\Users\\柴\\Pictures\\Logitech Webcam\\Picture 10.jpg");
	namedWindow("Matches");
	DWORD t1,t2;
	t1 = GetTickCount();
	vector<KeyPoint> keypoints_1,keypoints_2; 
	ORB orb; 
	orb.detect(img_1, keypoints_1); 
	orb.detect(img_2, keypoints_2);

	Mat descriptors_1, descriptors_2; 
	orb.compute(img_1, keypoints_1, descriptors_1); 
	orb.compute(img_2, keypoints_2, descriptors_2);
 
	BFMatcher matcher(NORM_HAMMING);
	vector<Mat> descriptors;
	descriptors.push_back(descriptors_1);
	matcher.add(descriptors);
	vector<vector<DMatch>> matches,goodmatches; 
	DMatch bestMatch,betterMatch;
	vector<DMatch> bestMatches;
	matcher.knnMatch(descriptors_2,matches,2);

	int n=0;
	Point p1,p2;
	for (int i=0; i<(int)matches.size(); i++)  
	{  
		bestMatch = matches[i][0];  
		betterMatch = matches[i][1];
		p1 = keypoints_1[bestMatch.trainIdx].pt;
		p2 = keypoints_2[bestMatch.queryIdx].pt;
		double distance = sqrt((p1.x-p2.x)*(p1.x-p2.x)+(p1.y-p2.y)*(p1.y-p2.