opencv中fast特征匹配_复杂场景中的一个图像配准思路

在很多时候，我们可能需要使用到图像的识别与配准工作，来判断某个特征或者是划出某个特定特征的位置。现在的深度学习已经能够比较好地解决这个问题，比如常见的YOLO，可以利用几行设定代码就能够划出所需要识别的位置。但是精准度可能会有所偏差，因为在训练过程中使用的样例往往是被经过卷积处理学习的，许多特征点在这过程中可能会消失，并且池化之后以另一种方式进行学习和识别。也就是说许多模式识别的方法重在识别，所以在细节匹配上可能不太适用(例如通过匹配LOGO上的某一点来推算出其位置)。而本文所分享的是一种较为精确的配准方式，可以通过先验条件来推导诸如LOGO在场景中的具体坐标等问题。

关键词：机器视觉 机器学习 图像配准

1 类模型的构建思路

1.1      图像特征的提取算子

目前常用的三种提取特征的方法有surf算子，fast算子和sift算子，在目前版本的opencv中还集成了orb算子，但是这种算子主要是对fast算法的一种优化版本，所以不再讨论。其中论运算速度而言，fast>surf>sift，但是sift算子的提取特性最好，能拥有比较好的尺度一致性和旋转一致性，能够较好的保留特征，但是在很多情况下作为sift算法的改良版本surf算法也可以替代sift，以提高运算效率。但是为了实现思路的可行性验证，先使用了效果最好的SIFT算法进行项目的运用。

Sift算法的核心是构建了比例空间(Scalespace)，来保证了尺度一致性，这也是它提取特征优于别的算法，运行速度