学习OpenCV——通过KeyPoints进行目标定位

最新推荐文章于 2025-05-10 13:08:44 发布

小熊不去实验室

最新推荐文章于 2025-05-10 13:08:44 发布

阅读量2.1w

点赞数 12

CC 4.0 BY-SA版权

分类专栏： OpenCV 特征篇

本文链接：https://blog.youkuaiyun.com/yangtrees/article/details/19997545

本文介绍了如何利用OpenCV中的ORB特征点和描述子进行目标定位，包括特征点检测、相机图像处理、匹配优化、单应性变换矩阵计算以及最终的目标定位。虽然SIFT和SURF效果更佳，但可能涉及商业使用限制。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

目前的AR应用基本都是基于marker的比较多，但是不依靠marker首先要完成的定位工作。这篇文章主要描述，使用特征点进行检测和定位的问题（其中包含一些matching优化方式，具体请参考：学习OpenCV——KeyPoint Matching 优化方式）。

本篇采用ORB特征点和ORB特征描述子（可以采用SIFT或SURF特征，效果更好，但是OpenCV官方什么提过，SIFT和SURF不能用于商业用途，使用前需声明initModule_nonfree();且速度会慢一些）

	效果	FPS
SIFT	检测效果：优，尺度不变性：优，旋转不变性：优	5.5
SURF	检测效果：良，尺度不变性：良，旋转不变性：良	11.0
ORB	检测效果：差，尺度不变性：差，旋转不变性：良	30.0

步骤：

1. 目标图特征点检测和描述子计算；

2. 打开camera采集图像，并计算特征点及描述子；

3. 进行特征点匹配，采用KNN或Cross-check方式；

4. 寻找单应性变换矩阵，并通过单应性变换矩阵进行进一步优化，去除伪匹配；

5. 通过单应性变换矩阵进行目标定位。

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

小熊不去实验室

关注关注

12
点赞
踩
43

收藏

觉得还不错? 一键收藏
4
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

OpenCV实战（18）——特征匹配

盼小辉丶的博客

04-12

1万+

关键点可以用于执行局部图像分析，这些关键点需要足够独特，以便在具有相同对象的不同图像中能够检测到相同的点。基于关键点执行图像分析需要构建丰富的表示来唯一地描述这些关键点，本节将重点介绍如何从关键点中提取描述符，描述符通常是描述关键点及其邻域的二进制、整数或浮点数的一维或二维向量。关键点最常见的用途之一是图像匹配，例如，执行图像匹配用于关联同一场景中的两张不同图像或检测图像中的目标对象。在本节中，我们将学习基本的匹配算法。

OpenCV实战（25）——3D场景重建

盼小辉丶的博客

05-31

1万+

3D 重建是计算机视觉中一个重要的研究领域，在本节中，我们将学习如何使用不同视图中图像点之间的对应关系来推断 3D 信息，同时介绍一个新的数学实体用于校准相机的两个视图之间的关系，并将讨论三角测量的原理以便从 2D 图像重建 3D 点。

4 条评论您还未登录，请先登录后发表或查看评论

opencv角点检测算法接口概述及KeyPoint数据结构

01-07

参考链接： https://www.cnblogs.com/dengxiaojun/p/5302778.html 图像角点其实也是一种图像特征点,对于一张图像来说,特征点分为三种形式包括边缘,焦点和斑点,在OPENCV中,加上角点检测,总共提供了以下的图像特征点检测算法： FAST SURF ORB BRISK KAZE AKAZE MESR GFTT good feature to tack Bob斑点 STAR AGAST KeyPoint结构首先需要了解OPENCV的一种数据结构, KeyPoint结构,该结构的头文件定义如下: class KeyPoint { Point2f

OpenCV中KeyPoint类

AplusX

08-12

4250

https://blog.youkuaiyun.com/u010821666/article/details/52883580 Opencv中KeyPoint类中的默认构造函数如下： CV_WRAP KeyPoint() : pt(0,0), size(0), angle(-1), response(0), octave(0), class_id(-1) {} 现分析各项属性 pt(x,y):关键...

OpenCV 模板匹配实战：快速定位图像中的目标物体

最新发布

ycy200377的博客

05-10

639

这段代码实现了一个简单的模板匹配应用，其核心功能是在一张目标图像中，找到与模板图像最匹配的区域，并使用矩形框将该区域标记出来。具体来说，代码读取目标图像和模板图像，通过模板匹配算法计算两者之间的相似度，进而确定模板在目标图像中的位置，最后将匹配区域用矩形框标注并展示。通过以上代码，我们成功实现了基于 OpenCV 的模板匹配，在目标图像中找到了与模板图像匹配的区域。然而，实际应用中可能会遇到一些挑战，例如光照变化、目标物体旋转或缩放等情况，会影响匹配效果。多尺度匹配。

Opencv中特征点Keypoint的解读(特征点与坐标的相互转换)

darlingqx的博客

12-10

6130

在我们学习特征点检测时，使用特征点检测器，比如ORB和SIFT生成特征点(FAST和SURF好像已经申请专利，较新版本可能用不了)，通常生成的特征点形式是一个，它是KeyPoint类生成的对象。> - Can't parse 'keypoints'. Input argument doesn't provide sequence protocol > - Can't parse 'points2f'. Input argument doesn't provide sequence protocol

OpenCV学习之KeyPoint

AutoXTruck专栏

06-30

1万+

OpenCV中CV_EXPORTS类别KeyPoint与KeyPointsFilter头文件分析　　用OpenCV一段时间了，说实话KeyPoint接触也算比较多，一直没有时间对其数据结构进行分析。今天打开源码对其keypoint.cpp文件进行简单分析一下：keypoint.cpp主要包含两个类KeyPoint与KeyPointsFilter。其中KeyPoint包含基础的功能函数：读写存储...

学习OpenCV范例（二十一）——Keypoints+Knn+findHomography进行目标定位

chenjiazhou12的专栏

04-03

2万+

本范例的代码主要都是学习OpenCV——通过KeyPoints进行目标定位这篇博客提供的，然后在它的基础上稍加修改，检测keypoints点的检测器是SURF，获取描述子也是用到SURF来描述，而用到的匹配器是FlannBased，匹配的方式是Knn方式，最后通过findHomography寻找单映射矩阵，perspectiveTransform获得最终的目标，在这个过程中还通过单映射矩阵来进一

OpenCV实战——尺度不变特征检测器

盼小辉丶的博客

04-02

1万+

无论对象是在哪个比例下拍摄的，不仅要对关键点进行一致的检测，而且还要计算与每个检测到的特征点相关联的尺度因子。理想情况下，对于在两个不同图像上以不同尺度表征的同一对象点，计算出的尺度因子的比率等于它们各自尺度的比率。已经提出了多种尺度不变的特征，本节将介绍 SURF (Speeded Up Robust Features) 特征，它不仅具有尺度不变性，而且还具有很高的计算效率。

Opencv做mark点寻边定位

weixin_45081640的博客

12-02

6556

Opencv做mark点寻边定位通过mark点进行定位是很常见的项目，mark点就是在图上或者工件上设置一个标志性的mark点，在这里以圆点为例，如图：这个原图是一个很大的板子，然后四个角分别有一个黑色圆点，黑点就是mark点了，在这里，mark点的作用就是为了让摄像头在运动中通过mark点来确定板子的具体位置，然后根据mark点的位置确定整个板子的加工路径。项目比较简单，主要说一下实现方式。第一步：检测mark点存在的问题：要能够准确的提取到完整的mark点轮廓图中其他与mark点相似部分的干

OpenCV KeyPoint与描述子编解码

视觉算法小趴菜的博客

10-24

424

OpenCV KeyPoint与描述子编解码，包括特征点与描述子的编解码方法

OpenCV中的KeyPoint与DMatch

m0_71272694的博客

12-09

544

/坐标//特征点邻域直径//特征点的方向，值为[零,三百六十)，负值表示不使用//特征点所在的图像金字塔的组//用于聚类的id};=====================分割线=======================

利用SIFT和RANSAC算法（openCV框架）实现物体的检测与定位，并求出变换矩阵（findFundamentalMat和findHomography的比较）

热门推荐

确定有穷自动机

07-16

4万+

SIFT算法是目前公认的效果最好的特征点检测算法，关于该算法的就不多说了，网上的资料有很多，在此提供两个链接，一个是SIFT原文的译文，一个是关于SIFT算法的详细解释： SIFT算法译文 SIFT算法详解整个实现过程可以复述如下：提供两张初始图片，一幅为模板图像，一幅为测试图片，目的就是根据模板图片中的物体，检测出测试图片中的物体，并表示出物体的具体位置和大小，测试图片中的物体位

openCV中的KeyPoints、DMatch、以及drawMatches函数

【黑键】

09-09

2965

openCV中的KeyPoints、DMatch、以及drawMatches函数 1. keypoint类 class CV_EXPORTS_W_SIMPLE KeyPoint { public: //! the default constructor 默认构造函数 CV_WRAP KeyPoint(); /** @param _pt x & y...

【OpenCV--关键点检测】

m0_70964767的博客

10-30

3689

4.由于在检测特征点时是需要对图像中所有的像素点进行检测，然而图像中的绝大多数点都不是特征点，此时会浪费许多时间，因此采用进行非特征点判别的方法:首先对候选点的周围每个90度的点: 1, 9, 5, 13 进行测试(先测试1和19,如果它们符合阈值要求再测试5和13)如果p是角点，那么这四个占中至少有3个要符合阈值要求，否则剔除，再对剩下进行检测。4>关键点描述:在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度，这些梯度作为关键点的描述符，它允许比较大的局部形状的变形或光照变化。

OpenCV3学习（11.3）关键点的描述符KeyPoint对象与匹配类DMatch

知识搬运工的博客

02-14

1万+

corners：包含大量本地信息的像素块，并能够在另一张图中被快速识别 keypoints：作为 corners 的扩展，它将像素块的信息进行编码从而使得更易辨识，至少在原则上唯一 descriptors：它是对 keypoints 进一步处理的结果。通常它具有更低的维度，从而使得图像块能够在另一幅不同的图像中被更快地识别 KeyPoints对象为了描述关键点，Opencv 关键点的类定...

OpenCV根据轮廓查找精准定位圆形

weixin_44789544的博客

12-20

1万+

经过多次试验，发现利用OpenCV的霍夫圆变换查找出来的圆，其圆心位置并不准确，而且参数调节较为麻烦。于是想到利用轮廓查找的方式来进行圆检测，我们可以通过判断轮廓的外接矩形的横纵比来判断该轮廓是否为圆形。一般而言，圆的外接矩形肯定近似于一个正方形，因此宽高比接近1.0 。总体思路如下：阈值分割->形态学/滤波降噪->轮廓查找->范围过滤->圆形拟合。代码如下，仅供参考。 ...

OpenCV（四）：视频处理--目标定位（Python实现）

强强的博客

02-21

4321

上一篇博文实现了图片上目标的定位，并给出了较为详细的代码解释。这一篇在此基础上实现视频的图像处理，依旧是目标定位。原理是选择合适的 HSV 阈值，选取特定颜色。当找到目标时，框选最大目标，并打印其中心位置。代码如下： #!/usr/bin/env python3 # -*- coding:utf-8 -*- import cv2 import numpy as np cap = cv2.V...

opencv视觉定位python

01-08

### 如何使用Python和OpenCV实现视觉定位 #### 图像预处理为了提高后续特征提取的效果，在进行视觉定位之前通常需要对输入图像做一定的预处理工作。这可能涉及到灰度化转换、噪声去除以及对比度增强等操作[^2]。 ```python import cv2 import numpy as np def preprocess_image(image_path): # 加载图片并转为灰度图 image = cv2.imread(image_path) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 应用高斯模糊减少噪音 blurred = cv2.GaussianBlur(gray, (5, 5), 0) return blurred ``` #### 特征点检测与描述符计算采用SIFT或ORB这样的局部不变量特征来捕捉物体的关键位置信息是非常有效的手段之一。这些方法能够找到图像中的显著区域，并为其创建独特的描述向量，从而使得即使是在不同视角下拍摄的照片也能被正确匹配起来。 ```python def detect_features(processed_img): orb = cv2.ORB_create() keypoints, descriptors = orb.detectAndCompute(processed_img, None) return keypoints, descriptors ``` #### 描述符匹配一旦获得了待定场景内的兴趣点及其对应的描述子之后，就可以利用FLANN或其他快速近似最近邻搜索算法来进行两幅或多幅图像之间的相似性比较。此过程会返回一系列最佳配对关系，进而帮助确定目标物的空间方位。 ```python def match_descriptors(des1, des2): flann_index_kdtree = 1 index_params = dict(algorithm=flann_index_kdtree, trees=5) search_params = dict(checks=50) # 或者设置为 {'checks': 10} flann = cv2.FlannBasedMatcher(index_params,search_params) matches = flann.knnMatch(des1,des2,k=2) good_matches = [] for m,n in matches: if m.distance < 0.7*n.distance: good_matches.append(m) return good_matches ``` #### 计算单应矩阵(Homography Matrix) 当有足够的良好匹配时，可以进一步估计两个视图间的几何变换——即所谓的单应矩阵H。该矩阵可用于映射一个平面到另一个平面上的对象坐标系，最终完成精确定位的任务。 ```python MIN_MATCH_COUNT = 10 def find_homography(kp1, kp2, matches): if len(matches)>MIN_MATCH_COUNT: src_pts = np.float32([kp1[m.queryIdx].pt for m in matches]).reshape(-1,1,2) dst_pts = np.float32([kp2[m.trainIdx].pt for m in matches]).reshape(-1,1,2) M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0) return M else: raise ValueError(f"Not enough matches are found - {len(matches)} / {MIN_MATCH_COUNT}") ``` 通过上述流程，可以有效地运用Python结合OpenCV库执行基本的视觉定位任务。当然，具体应用场景可能会有所不同，因此还需要针对特定需求调整参数配置或是引入额外的技术环节以优化性能表现。