原創：轉載請備注https://www.cnblogs.com/soulfly/articles/11283855.html
前言
如果使用Shift-Tomasi檢測出的角點進行特征匹配？這個是本文的重點
作為一名OpenCV小白，在篩選特征提取方法時，發現Shift-Tomasi角點檢測算法不錯，通過調節參數能夠實現交通牌邊沿角點和白線繪制角點的提取，如下圖示
第一步 初步探索：角點檢測接口以及參數說明
在網上搜索了不少，大都是使用OpenCV的函數goodFeaturesToTrack實現，定義如下
void goodFeaturesToTrack( InputArray image, OutputArray corners,
int maxCorners, double qualityLevel, double minDistance,
InputArray mask = noArray(), int blockSize = 3,
bool useHarrisDetector = false, double k = 0.04 );
該函數使用的使用方法不是本文的講解重點，就不再舉例詳細贅述，僅說明一下參數含義：
第一個參數image：8位或32位單通道灰度圖像；
第二個參數corners：位置點向量，保存的是檢測到的角點的坐標；
第三個參數maxCorners：定義可以檢測到的角點的數量的最大值；
第四個參數qualityLevel：檢測到的角點的質量等級，角點特征值小於qualityLevel*最大特征值的點將被舍棄；
第五個參數minDistance：兩個角點間最小間距，以像素為單位；
第六個參數mask：指定檢測區域，若檢測整幅圖像，mask置為空Mat()；
第七個參數blockSize：計算協方差矩陣時窗口大小；
第八個參數useHarrisDetector：是否使用Harris角點檢測，為false，則使用Shi-Tomasi算子；
第九個參數k：留給Harris角點檢測算子用的中間參數，一般取經驗值0.04~0.06。第八個參數為false時，該參數不起作用；
檢測效果如下圖所示：
可見牌子的邊沿角點和繪制角點基本全部檢測出來了，效果還不錯，主要參數取值如下：
int maxCornerNumber = 300;
double qualityLevel = 0.01;
double minDistance = 10;
int blockSize = 10;
第二步 大海撈針：查找計算特征點（關鍵點：KeyPoint）的接口
這一步真是費了好多時間才找到相關接口，先是從網上查找相關資料，但是無一例外的全是講解接口goodFeaturesToTrack和Shi-Tomasi算法原理，無意中發現大神“冠軍的試煉”的博客：
OpenCV探索之路（二十三）：特征檢測和特征匹配方法匯總，
連接：
https://www.cnblogs.com/skyfsm/p/7401523.html 中提到Harris角點特征匹配相關代碼
但是這個是OpenCV2的實現方法，在OpenCV3中找不到。
發現這一個后，我確定了一個問題，即OpenCV3中肯定有相關的實現接口，於是采用暴力解決
，即在源碼中全工程搜索“goodFeaturesToTrack”，終於找到的實現接口GFTTDetector：
該接口簡介：使用goodFeaturesToTrack函數實現特征檢測的封裝類。
使用該接口就能直接計算出特征點，可用於計算特征描述符，進而用於匹配。
第三步 臨門一腳：查找特征匹配的接口
本以為找到GFTTDetector類就大功告成，沒想到，調用compute計算描述符時崩潰了。。。
這時回看大神“冠軍的試煉”的博客，就輕松的找到了答案：換一個計算描述符的接口就行了，哈哈
源碼如下：
int main(int argc, char** argv)
{
Mat leftImage1 = imread("D:/branch/openCV330/OpenCVTest/image/38-1-190504094217209-003481.jpg", cv::IMREAD_GRAYSCALE);
Mat rightImage2 = imread("D:/branch/openCV330/OpenCVTest/image/38-2-190504094217209-003481.jpg", cv::IMREAD_GRAYSCALE);
if (!leftImage1.data || !rightImage2.data)
{
return 0;
}
equalizeHist(leftImage1, leftImage1);
equalizeHist(rightImage2, rightImage2);
cv::Rect imageRect(0, 0, leftImage1.cols, leftImage1.rows);
cv::Rect leftRoiRect = cv::Rect(2300, 300, 1000, 1000)&imageRect;
cv::Rect rightRoiRect = cv::Rect(2200, 300, 1000, 1000)&imageRect;
Mat srcImage1 = leftImage1(leftRoiRect);
Mat srcImage2 = rightImage2(rightRoiRect);
// 定義用到的變量和類 [7/25/2019 wufuzheng]
int minHessian = 400;
cv::Ptr<ORB > orb = ORB::create();
orb->setScaleFactor(1.4);
orb->setNLevels(8);
orb->setScoreType(ORB::kBytes);
std::vector<KeyPoint> Keypoints1;
std::vector<KeyPoint> Keypoints2;
Mat descriptors1, descriptors2;
// 檢測特征點 [7/25/2019 wufuzheng]
orb->detect(srcImage1, Keypoints1);
orb->detect(srcImage2, Keypoints2);
// 計算描述符 [7/26/2019 wufuzheng]
orb->compute(srcImage1, Keypoints1, descriptors1);
orb->compute(srcImage2, Keypoints2, descriptors2);
std::vector<DMatch> matches;
BFMatcher bfMatcher(NORM_HAMMING, true);
bfMatcher.match(descriptors1, descriptors2, matches);
// 匹配對篩選
double min_dist = 1000, max_dist = 0;
// 找出所有匹配之間的最大值和最小值
for (int i = 0; i < matches.size(); i++)
{
double dist = matches[i].distance;
if (dist < min_dist) min_dist = dist;
if (dist > max_dist) max_dist = dist;
}
// 當描述子之間的匹配不大於2倍的最小距離時，即認為該匹配是一個錯誤的匹配。
// 但有時描述子之間的最小距離非常小，可以設置一個經驗值作為下限
std::vector<DMatch> goodMatches;
for (int i = 0; i < matches.size(); i++)
{
if (matches[i].distance <= max(2 * min_dist, 30.0))
goodMatches.push_back(matches[i]);
}
// 轉為興趣區坐標 [7/29/2019 wufuzheng]
//Geometries::Coordinate tmpRoiCoord(srcCoord.x - matchRoiRect.x, srcCoord.y - matchRoiRect.y, 0);
//繪制出匹配到的關鍵點
//Mat img_matches;
cv::drawMatches(srcImage1, Keypoints1, srcImage2, Keypoints2, goodMatches, img_matches);
cv::imshow("good match", img_matches);
//waitKey(0);
return 0;
}
匹配效果圖如下：
