特征检测器 FeatureDetector

OpenCV提供FeatureDetector实现特征检测及匹配

[cpp] view plaincopy

class CV_EXPORTS FeatureDetector
{
public:
virtual ~FeatureDetector();
void detect( const Mat& image, vector<KeyPoint>& keypoints,
const Mat& mask=Mat() ) const;
void detect( const vector<Mat>& images,
vector<vector<KeyPoint> >& keypoints,
const vector<Mat>& masks=vector<Mat>() ) const;
virtual void read(const FileNode&);
virtual void write(FileStorage&) const;
static Ptr<FeatureDetector> create( const string& detectorType );
protected:
...
};

FeatureDetetor是虚类，通过定义FeatureDetector的对象可以使用多种特征检测方法。通过create()函数调用：

[cpp] view plaincopy

Ptr<FeatureDetector> FeatureDetector::create(const string& detectorType);

OpenCV 2.4.3提供了10种特征检测方法：

"FAST" – FastFeatureDetector
"STAR" – StarFeatureDetector
"SIFT" – SIFT (nonfree module)
"SURF" – SURF (nonfree module)
"ORB" – ORB
"MSER" – MSER
"GFTT" – GoodFeaturesToTrackDetector
"HARRIS" – GoodFeaturesToTrackDetector with Harris detector enabled
"Dense" – DenseFeatureDetector
"SimpleBlob" – SimpleBlobDetector

图片中的特征大体可分为三种：点特征、线特征、块特征。

FAST算法是Rosten提出的一种快速提取的点特征[1]，Harris与GFTT也是点特征，更具体来说是角点特征（参考这里）。

SimpleBlob是简单块特征，可以通过设置SimpleBlobDetector的参数决定提取图像块的主要性质，提供5种：

颜色 By color、面积 By area、圆形度 By circularity、最大inertia （不知道怎么翻译）与最小inertia的比例 By ratio of the minimum inertia to maximum inertia、以及凸性 By convexity.

最常用的当属SIFT，尺度不变特征匹配算法（参考这里）；以及后来发展起来的SURF，都可以看做较为复杂的块特征。这两个算法在OpenCV nonfree的模块里面，需要在附件引用项中添加opencv_nonfree243.lib，同时在代码中加入：

[cpp] view plaincopy

initModule_nonfree();

至于其他几种算法，我就不太了解了 ^_^

一个简单的使用演示：

[cpp] view plaincopy

int main()
{
initModule_nonfree();//if use SIFT or SURF
Ptr<FeatureDetector> detector = FeatureDetector::create( "SIFT" );
Ptr<DescriptorExtractor> descriptor_extractor = DescriptorExtractor::create( "SIFT" );
Ptr<DescriptorMatcher> descriptor_matcher = DescriptorMatcher::create( "BruteForce" );
if( detector.empty() || descriptor_extractor.empty() )
throw runtime_error("fail to create detector!");
Mat img1 = imread("images\\box_in_scene.png");
Mat img2 = imread("images\\box.png");
//detect keypoints;
vector<KeyPoint> keypoints1,keypoints2;
detector->detect( img1, keypoints1 );
detector->detect( img2, keypoints2 );
cout <<"img1:"<< keypoints1.size() << " points img2:" <<keypoints2.size()
<< " points" << endl << ">" << endl;
//compute descriptors for keypoints;
cout << "< Computing descriptors for keypoints from images..." << endl;
Mat descriptors1,descriptors2;
descriptor_extractor->compute( img1, keypoints1, descriptors1 );
descriptor_extractor->compute( img2, keypoints2, descriptors2 );
cout<<endl<<"Descriptors Size: "<<descriptors2.size()<<" >"<<endl;
cout<<endl<<"Descriptor's Column: "<<descriptors2.cols<<endl
<<"Descriptor's Row: "<<descriptors2.rows<<endl;
cout << ">" << endl;
//Draw And Match img1,img2 keypoints
Mat img_keypoints1,img_keypoints2;
drawKeypoints(img1,keypoints1,img_keypoints1,Scalar::all(-1),0);
drawKeypoints(img2,keypoints2,img_keypoints2,Scalar::all(-1),0);
imshow("Box_in_scene keyPoints",img_keypoints1);
imshow("Box keyPoints",img_keypoints2);
descriptor_extractor->compute( img1, keypoints1, descriptors1 );
vector<DMatch> matches;
descriptor_matcher->match( descriptors1, descriptors2, matches );
Mat img_matches;
drawMatches(img1,keypoints1,img2,keypoints2,matches,img_matches,Scalar::all(-1),CV_RGB(255,255,255),Mat(),4);
imshow("Mathc",img_matches);
waitKey(10000);
return 0;
}

特征检测结果如图：

Box_in_scene

Box

特征点匹配结果：

Match

另一点需要一提的是SimpleBlob的实现是有Bug的。不能直接通过 Ptr<FeatureDetector> detector = FeatureDetector::create("SimpleBlob"); 语句来调用，而应该直接创建 SimpleBlobDetector的对象：

[cpp] view plaincopy

Mat image = imread("images\\features.jpg");
Mat descriptors;
vector<KeyPoint> keypoints;
SimpleBlobDetector::Params params;
//params.minThreshold = 10;
//params.maxThreshold = 100;
//params.thresholdStep = 10;
//params.minArea = 10;
//params.minConvexity = 0.3;
//params.minInertiaRatio = 0.01;
//params.maxArea = 8000;
//params.maxConvexity = 10;
//params.filterByColor = false;
//params.filterByCircularity = false;
SimpleBlobDetector blobDetector( params );
blobDetector.create("SimpleBlob");
blobDetector.detect( image, keypoints );
drawKeypoints(image, keypoints, image, Scalar(255,0,0));

以下是SimpleBlobDetector按颜色检测的图像特征：

[1] Rosten. Machine Learning for High-speed Corner Detection, 2006

（转载请注明作者和出处：http://blog.csdn.net/xiaowei_cqu 未经允许请勿用于商业用途）

特征检测器 FeatureDetector相关推荐

OpenCV2.4.4中调用SIFT特征检测器进行图像匹配
OpenCV中一些相关结构说明: 特征点类: [cpp] view plain copy class KeyPoint { Point2f pt; //坐标 float size; //特征 ...
【图像处理】——特征匹配（SIFT特征检测器+FLANN特征匹配方法+KNN近邻最优匹配筛选）——cv.xfeatures2d.SIFT_create()sift.detectAndCompute
转载请注明地址目录 1.特征检测和特征匹配方法 (1)特征检测算法 (2)特征匹配算法 (3)各种特征检测算法的比较 2.特征匹配的基本步骤(附带主要的函数) (1)图像预处理--灰度化(模板--查 ...
非刚性人脸跟踪 —— 面部特征检测器
本节将用一种表示方法来建立人脸特征检测器,该方法也许是人们认为最简单的模型,即:线性图像模型.由于该算法需表示一个图象块,因此这种面部特征检测器称为块模型( patch model ).该模型在 pa ...
OpenCV —— 特征点检测之 SIFT 特征检测器
SIFT 原理详解尺度空间的表示高斯金字塔的构建高斯差分金字塔空间极值点检测尺度变化的连续性特征点定位特征点的精确定位剔除不稳定的边缘响应点特征点方向赋值生成特征描述 SIFT的缺 ...
目标检测 - 特征检测器比较
定量比较表明,特征检测器描述符检测大量特征的能力的一般顺序为: ORB>BRISK>SURF>SIFT>AKAZE>KAZE 每个特征点的特征检测描述计算效率的算法顺序为 ...
VLfeat学习（1）——Covariant feature detectors（协变特征检测器）
VLfeat是一个开源BSD的轻量级的计算机视觉库算法,主要实现了SIFT.MSER.K-means.hierarchical.agglomerative information bottleneck ...
scikit-image库----CENSURE特征检测器（二十二）
CENSURE特征检测器是一种尺度不变的中心环绕检测器(CENSURE),其性能优于其他检测器,并且能够实时实现. from skimage import data from skimage impo ...
OpenCV3学习（11.5） FAST特征检测器FastFeatureDetector
简介 FAST特征检测的特点是简单.快速.有效.作者为了在实时帧速率情况下进行高速特征检测,提出FAST特征检测. 相比SIFT.DoG.Harris.SUSAN等比较耗时的特征检测方法,FAST只利 ...
OpenCV3学习（11.7） BRISK特征检测器及BRISK描述符
BRISK算法一种特征提取算法,也是一种二进制的特征描述算子. 它具有较好的旋转不变性.尺度不变性,较好的鲁棒性等.在图像配准应用中,速度比较:SIFT<SURF<BRISK<FR ...

特征检测器 FeatureDetector

（转载请注明作者和出处：http://blog.csdn.net/xiaowei_cqu 未经允许请勿用于商业用途）

特征检测器 FeatureDetector相关推荐

最新文章

热门文章