本文共 17979 字，大约阅读时间需要 59 分钟。

1. 特征检测方法

有许多用于特征检测和提取的算法，我们将会对其中大部分进行介绍。OpenCV最常使用的特征检测和提取算法有：

Harris：该算法用于检测角点；SIFT：该算法用于检测斑点；SURF：该算法用于检测角点；FAST：该算法用于检测角点；BRIEF：该算法用于检测斑点；ORB：该算法代表带方向的FAST算法与具有旋转不变性的BRIEF算法；

通过以下方法进行特征匹配：

暴力(Brute-Force)匹配法；基于FLANN匹配法；

可以采用单应性进行空间验证。

1.1. 特征定义

那么，究竟什么是特征呢？为什么一副图像的某个特定区域可以作为一个特征，而其他区域不能呢？粗略的讲，特征就是有意义的图像区域，该区域具有独特特征和易于识别性。因此角点及高密度区域都是很好的特征，而大量重复的模式或低密度区域(例如图像中的蓝色天空)则不是很好的特征。边缘可以将图像分为两个区域，因此也可以看做好的特征。斑点是与周围有很大差别的像素区域，也是有意义的特征。

大多数特征检测算法都会涉及图像的角点、边和斑点的识别，也有一些涉及脊向的概念，可以认为脊向是细长物体的对称轴，例如识别图像中的一条路。角点和边都好理解，那什么是斑点呢？斑点通常是指与周围有着颜色和灰度差别的区域。在实际地图中，往往存在着大量这样的斑点，如一颗树是一个斑点，一块草地是一个斑点，一栋房子也可以是一个斑点。由于斑点代表的是一个区域，相比单纯的角点，它的稳定性要好，抗噪声能力要强，所以它在图像配准上扮演了很重要的角色。

由于某些算法在识别和提取某类型特征的时候有较好的效果，所以知道输入图像是什么很重要，这样做有利于选择最合适的OpenCV工具包。

1.2. 角点检测原理

 角点在保留图像图形重要特征的同时，可以有效地减少信息的数据量，使其信息的含量很高，有效地提高了计算的速度，有利于图像的可靠匹配，使得实时处理成为可能。它的各种应用，这里我就不再赘述了。

1.2.1. Harris角点检测原理

我们先来看一幅图片，了解一下什么是角点？

上图中E,F中的角我们通常称作角点（corner points），他们具有以下特征：

• 轮廓之间的交点；

• 对于同一场景，即使视角发生变化，通常具备稳定性质的特征；

• 该点附*区域的像素点无论在梯度方向上还是其梯度幅值上有着较大变化；

harris特征角最早在paper A Combined Corner and Edge Detector中被Chris Harris & Mike Stephens提出。

Harris角点检测的基本思想：算法基本思想是使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点

1、灰度变化描述

当窗口发生[u,v]
移动时，那么滑动前与滑动后对应的窗口中的像素点灰度变化描述如下：

其中，u,v是窗口在水平，竖直方向的偏移，

图中蓝线圈出的部分我们称之为结构张量（structure tensor），用M表示。

    讲到这里，先明确一点，我们的目的是什么？我们的目的是寻找这样的像素点，它使得我们的u，v无论怎样取值，E(u,v)都是变化比较大的，这个像素点就是我们要找的角点。不难观察，上式近似处理后的E(u,v)是一个二次型，而由下述定理可知，

椭圆的长短轴是与结构张量M的两个特征值相对应的量。通过判断的情况我们就可以区分出‘flat’，‘edge’，‘corner’这三种区域，因为最直观的印象：

corner：在水平、竖直两个方向上变化均较大的点，即Ix、Iy都较大；
edge ：仅在水平、或者仅在竖直方向有较大的点，即Ix和Iy只有其一较大 ；
flat ： 在水平、竖直方向的变化量均较小的点，即Ix、Iy都较小；

而结构张量M是由Ix，Iy构成，它的特征值正好可以反映Ix，Iy的情况，下面我以一种更容易理解的方式来讲述椭圆的物理意义。

当然，大牛们并没有止步于此，这样通过判断两个变量的值来判断角点毕竟不是很方便。于是他们想出了一种更好的方法，对，就是定义角点响应函数R（corner response function），

至此，我们就可以通过判断R的值来判断某个点是不是角点了。

角点：R为大数值整数
边缘：R为大数值负数
平坦区：绝对值R是小数值

/*@param src Input single-channel 8-bit or floating-point image.@param dst Image to store the Harris detector responses. It has the type CV_32FC1 and the samesize as src .@param blockSize Neighborhood size (see the details on #cornerEigenValsAndVecs ).@param ksize Aperture parameter for the Sobel operator.@param k Harris detector free parameter. See the formula above.@param borderType Pixel extrapolation method. See #BorderTypes. */CV_EXPORTS_W void cornerHarris( InputArray src, OutputArray dst, int blockSize,                                int ksize, double k,                                int borderType = BORDER_DEFAULT );

/* * @Descripttion:  * @version:  * @Author: Yueyang * @email: 1700695611@qq.com * @Date: 2021-05-02 23:45:24 * @LastEditors: Yueyang * @LastEditTime: 2021-05-05 07:27:48 */#include <opencv2/opencv.hpp>using namespace cv;int main(){       Mat srcImage,dstImage,normal_dst,norScale;    srcImage=imread("F:/SDK/OpenCV/HiKivision/picture/chessboard.png");    Mat out=srcImage.clone();    cvtColor(srcImage,srcImage,CV_BGR2GRAY);    //imshow("src",srcImage);    dstImage=Mat::zeros(srcImage.size(),CV_32FC1);        cornerHarris(srcImage,dstImage,2,3,0.04,BORDER_DEFAULT);    normalize(dstImage,normal_dst,0,255,NORM_MINMAX,CV_32FC1,Mat());    convertScaleAbs(normal_dst,norScale);    for(int row=0;row<out.rows;row++){           uchar* currentPtr=norScale.ptr(row);        for(int col=0;col<out.cols;col++)        {               int value=(int)*currentPtr;//一般100-200之间 就是上面提到的角点响应函数R            if(value>100)circle(out,Point(col,row),20,Scalar(0,0,255));            currentPtr++;        }    }    imwrite("F:/SDK/OpenCV/HiKivision/picture/out.jpg",out);    imshow("out.jpg",out);    waitKey(0);    return 0;}

1.2.2. Tomasi角点检测原理

R=min(Y1,Y2);

CV_EXPORTS_W 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 );

下面都不讲原理，看不懂了

1.2.3. SURF特征检测

/* * @Descripttion:  * @version:  * @Author: Yueyang * @email: 1700695611@qq.com * @Date: 2021-05-05 07:51:35 * @LastEditors: Yueyang * @LastEditTime: 2021-05-05 08:04:08 */#include <iostream>#include <opencv2/opencv.hpp>#include <opencv2/xfeatures2d.hpp>using namespace std;using namespace cv;using namespace cv::xfeatures2d;int main(){       Mat srcImage = imread("F:/SDK/OpenCV/HiKivision/picture/board.jpg");    //判断图像是否读取成功    if (srcImage.empty())    {           cout << "图像加载失败" << endl;        return -1;    }     else    {           cout << "图像加载成功" << endl << endl;    }    namedWindow("原图像",WINDOW_AUTOSIZE);    imshow("原图像",srcImage);    Mat imageMid;   //定义滤波后图像    int minHessian = 400;                           //定义Hessian矩阵阈值特征点检测算子    Ptr<SURF> deteror=SURF::create(minHessian);    vector<KeyPoint> keypoints;                     //定义KeyPoint类型的矢量容器vector存储检测到的特征点    deteror->detect(srcImage,keypoints);            //调用detect检测特征点    //绘制检测到的特征点    Mat dstImage;    drawKeypoints(srcImage, keypoints, dstImage, Scalar::all(-1), DrawMatchesFlags::DEFAULT);    namedWindow("特征点检测",WINDOW_AUTOSIZE);    imshow("特征点检测",dstImage);    waitKey(0);    return 0;}

1.2.4. SIFT特征点检测

/* * @Descripttion:  * @version:  * @Author: Yueyang * @email: 1700695611@qq.com * @Date: 2021-05-05 08:50:08 * @LastEditors: Yueyang * @LastEditTime: 2021-05-05 08:57:02 */#include "opencv2/opencv.hpp"#include <opencv2/xfeatures2d.hpp>#include <vector>using namespace std;using namespace cv;using namespace cv::xfeatures2d;int main(){            Mat srcImg1 = imread("F:/SDK/OpenCV/HiKivision/picture/board.jpg");    //Mat srcImg2 = imread("F:/SDK/OpenCV/HiKivision/picture/chessboard.png");    //定义SIFT特征检测类对象    Ptr<SIFT> deteror=SIFT::create();    vector<KeyPoint>keyPoints1;    vector<KeyPoint>keyPoints2;    //特征点检测    deteror->detect(srcImg1, keyPoints1);    //deteror->detect(srcImg2, keyPoints2);    //绘制特征点(关键点)    Mat feature_pic1, feature_pic2;    //drawKeypoints(srcImg2, keyPoints2, feature_pic2, Scalar(0, 0, 255));    drawKeypoints(srcImg1, keyPoints1, feature_pic1, Scalar::all(-1), DrawMatchesFlags::DRAW_RICH_KEYPOINTS);//颜色随机，带有方向    //显示原图    imshow("src1", srcImg1);    //imshow("src2", srcImg2);    //显示结果    imshow("feature1", feature_pic1);    //imshow("feature2", feature_pic2);    waitKey(0);}

1.2.5. HOG 特征检测

/* * @Descripttion:  * @version:  * @Author: Yueyang * @email: 1700695611@qq.com * @Date: 2021-05-05 09:00:19 * @LastEditors: Yueyang * @LastEditTime: 2021-05-05 09:09:55 */#include <iostream>#include "opencv2/opencv.hpp" using namespace cv;using namespace std; int main(int argc, char** argv) {   	Mat src = imread("F:/SDK/OpenCV/HiKivision/picture/warker.png");	if (src.empty()) 	{   		cout << "Load image error..." << endl;		return -1;	}	HOGDescriptor hog = HOGDescriptor();	hog.setSVMDetector(hog.getDefaultPeopleDetector()); 	vector<Rect> foundLocations;	hog.detectMultiScale(src, foundLocations, 0, Size(8, 8), Size(32, 32), 1.05, 2);	Mat result = src.clone();	for (size_t t = 0; t < foundLocations.size(); t++) 		rectangle(result, foundLocations[t], Scalar(0, 0, 255), 2, 8, 0);	    imwrite("hog.jpg",result);	imshow("HOG SVM Detector Demo", result); 	waitKey();	return 0;}

1.2.6. LBP 特征提取

1.2.6.1. 原始LBP

原始LBP是在3*3的窗口内，以窗口中心元素为阈值，比较周围8个像素，若大于中心像素点，则标记为1，否则为0。然后这8个点就可以产生一个8位的二进制数(共有2^8=256种)，转换为10进制数后，这个值就用来代替像素中心值。

1.2.6.2. 圆形LBP算子

由于原始LBP只是覆盖了一个固定半径范围内的小区域，不能满足不同尺寸和频率纹理的需要。对此，将3*3领域扩展到任意领域，用圆形领域代替正方形领域。

(1)将检测窗口划分为16*16的小区域(cell)。
(2)对于每个cell中的一个像素，计算得到它的LBP值。
(3)计算每个cell的直方图，即每个LBP值出现的频率，然后归一化。
(4)统计每个cell的直方图，连接成一个向量。

/* * @Descripttion:  * @version:  * @Author: Yueyang * @email: 1700695611@qq.com * @Date: 2021-05-05 07:51:35 * @LastEditors: Yueyang * @LastEditTime: 2021-05-05 09:59:42 */#include <iostream>#include <opencv2/opencv.hpp>#include <opencv2/xfeatures2d.hpp>using namespace std;using namespace cv;using namespace cv::xfeatures2d;int main(){       Mat srcImage = imread("F:/SDK/OpenCV/HiKivision/picture/board.jpg");    Mat gray_src;    namedWindow("原图像",WINDOW_AUTOSIZE);    imshow("原图像",srcImage);    cvtColor(srcImage,gray_src,CV_BGR2GRAY);    int width=gray_src.cols;    int heights=gray_src.rows;    Mat dst =Mat::zeros(heights-2,width-2,CV_8UC1);    for(int row =1;row<heights-1;row++){           for(int col=1;col<width-1;col++)        {               uchar c=gray_src.at<uchar>(row,col);            uchar code=0;            code|=(gray_src.at<uchar>(row-1,col-1)>c)<<7;            code|=(gray_src.at<uchar>(row-1,col)>c)<<6;            code|=(gray_src.at<uchar>(row-1,col+1)>c)<<5;            code|=(gray_src.at<uchar>(row,col-1)>c)<<4;            code|=(gray_src.at<uchar>(row,col+1)>c)<<3;            code|=(gray_src.at<uchar>(row+1,col-1)>c)<<2;            code|=(gray_src.at<uchar>(row+1,col)>c)<<1;            code|=(gray_src.at<uchar>(row+1,col+1)>c)<<0;            dst.at<uchar>(row-1,col-1)=code;        }    }    imshow("dst",dst);    waitKey(0);    return 0;}

1.3. HAAR特征提取

1.3.1. 1.什么是haar特征？

特征 = 某个区域的像素点经过某种四则运算之后得到的结果。

这个结果可以是一个具体的值也可以是一个向量，矩阵，多维。实际上就是矩阵运算

1.3.2. 2.如何利用特征 区分目标？

阈值判决，如果大于某个阈值，认为是目标。小于某个阈值认为是非目标。

1.3.3. 3.如何得到这个判决？

使用机器学习，我们可以得到这个判决门限
Haar特征的计算原理

这些是在opencv中使用的haar特征。基础类型(5种) 核心(3种)all（6种），这里的14个图片分别对应十四种特征。

如何使用呢？

蓝色区域表明我们所得到的图片。黑白矩形框是我们的特征模板。

比如: 我们的模板是一个(10,10)的矩阵，共覆盖了100个像素点。黑白各占50个像素点

将当前模板放在图像上的任意位置上，在这里，用白色区域覆盖的50个像素之和减去黑色区域的50个像素之和得到我们的特征。

推导公式的一样性。

公式二:

这里的整个区域指黑白两色覆盖的整个100个像素。这两个权重是不一样的。

整体的权重值为1 黑色部分权重值为-2

整个区域的像素值 * 权重1 + 黑色部分 * 权重2
= 整个区域 * 1 + 黑色部分 * -2
=(黑 + 白) * 1 + 黑色部分 * -2
= 白色 - 黑色
Haar特征遍历

计算整幅图的Haar特征

如果想要计算整幅图的Haar特征，我们就需要遍历，

假设这个haar特征的模板是(10,10)共100个像素。图片的大小是(100,100)

如果想获取这个图片上所有的harr特征。使用当前模板沿着水平和竖直方向进行滑动。从上到下，从左到右进行遍历。

遍历的过程中还要考虑步长问题。这个模板一次滑动几个像素。一次滑动10个像素，就需要9次。加上最开始的第0次。

10个模板。

计算这100个模板才能将haar特征计算完毕。

如果我们的步长设置为5.那么就要滑动20次。400个模板。运算量增加4倍。

其实仅仅这样的一次滑动并没有结束，对于每一个模板还要进行几级缩放，才能完成。

需要三个条件：100100，1010，step=10，模板 1

模板 ：缩放，这就需要再次进行遍历

运算量太大 ：

计算量 = 14个模版20级缩放(1080/2*720/2) * (100点+ -) = 50-100亿
(50-100)*15 = 1000亿次
积分图

特征：计算矩形方块中的像素

有ABCD四个区域，每个区域都是一个矩形方块。

A区域是左上角那一块小区域，而B区域是包含A区域的长条。

C区域又是包含A的竖直长条。D区域是四个方块之和。

1,2,3,4表明这四个小区域。

进行快速计算:

A 1 B 1 2 C 1 3 D 1 2 3 4
4 = A-B-C+D = 1+1+2+3+4-1-2-1-3 = 4(10*10 变成3次±)

任意一个方框，可由周围的矩形进行相减得到。

问题: 在计算每一个方块之前，需要将图片上所有的像素全部遍历一次。至少一次。

特征=（p1-p2-p3+p4）*w

p1 p2 p3 p4 分别是指某一个特征相邻的abcd的模块指针。

adaboost分类器

haar特征一般会和adaboost一起使用

haar特征 + Adaboost是一个非常常见的组合，在人脸识别上取的非常大成功

Adaboost分类器优点在于前一个基本分类器分出的样本，在下一个分类器中会得到加权。加权后的全体样本再次被用于训练下一个基本分类器。

就是说它可以加强负样本。

例如：我们有 苹果 苹果 苹果 香蕉 找出苹果

第一次训练权值分别为: 0.1 0.1 0.1 0.5

因为香蕉是我们不需要的所以0.5，我们正确的样本系数减小，负样本得到加强。

把出错的样本进行加强权值。再把整个结果送到下一个基本分类器

训练终止条件：

1. for迭代的最大次数 count

2. 每次迭代完的检测概率p（p是最小的检测概率，当大于p就终止）

分类器的结构

haar特征计算完之后要进行阈值判决，实际是一个个判决过程。

if(haar> T1) 苹果[第一级分类器]；[第二级分类器]and haar>T2

两级都达成了，才会被我们认定为苹果。

两级分类器的阈值分别是t1 和 t2，对于每一级的分类器我们称之为强分类器。

2个强分类器组成。一般有15-20强分类器。 要连续满足15-20个强分类器才能认证为目标。

3个强分类器,每个强分类器会计算出一个独立的特征点。使用每一个独立的特征进行阈值判。

强分类器1 特征x1 阈值t1 强分类器2 特征x2 阈值t2 3同理（阈值是通过训练终止时得到的）

进行判决过程: x1>t1 and x2>t2 and x3>t3

三个判决同时达成，目标-》苹果

三个强分类器只要有一个没通过就会被判定为非苹果。作用：判决。而弱分类器作用：计算强分类器特征x1 x2 x3

每个强分类器由若干个弱分类器组成

1强 对多个弱分类器 对应多个特征节点

弱分类器作用：计算强分类器特征x1 x2 x3

强分类器的输入特征是多个弱分类器输出特征的综合处理。

x2 = sum（y1,y2,y3）

y1 弱分类器特征谁来计算的？

node节点来计算

一个弱分类器最多支持三个haar特征，每个haar特征构成一个node节点

Adaboost分类器计算过程

3个haar -》 3个node

node1 haar1 > node的阈值T1 z1 = a1
node1 haar1 < node的阈值T1 z1 = a2

Z = sum(z1,z2,z3) > 弱分类器T y1 = AA
Z = sum(z1,z2,z3) < 弱分类器T y1 = BB

从node向强分类器

第一层分类器：haar->Node z1 z2 z3 得到的就是z1 z2 z3

第二层分类器：Z>T y1 y2 y3: 弱分类器的计算特征

第三层分类器：x = sum(y1,y2,y3) > T1 obj

训练过程

1.初始化数据 权值分布 苹果 苹果 苹果 香蕉 0.1 0.1 0.1 0.1 (第一次权值都是相等的)

2.遍历阈值 p计算出误差概率，找到最小的minP t

3.计算出G1（x）

4.权值分布 update更新权重分布: 0.2 0.2 0.2 0.7

5.训练终止条件。

1.3.4. 基于Haar特征与级联分类器的人脸检测

/* * @Descripttion:  * @version:  * @Author: Yueyang * @email: 1700695611@qq.com * @Date: 2021-05-05 11:19:53 * @LastEditors: Yueyang * @LastEditTime: 2021-05-05 11:23:38 */#include <opencv2/opencv.hpp>#include <iostream>using namespace std;using namespace cv;String fileName = "/home/pi/Desktop/WorkSpace/Study/data/haarcascade_frontalface_default.xml";//当前项目文件下的xml文件//opencv自带训练好的人脸识别级联器CascadeClassifier face_cascade;//定义用来做目标检测的级联分类器的一个类int main(int argc, char** argv){       VideoCapture cap(0);	if (!face_cascade.load(fileName)) //检测级联器是否加载成功	{   		printf("could not load face feature data.../n");		return -1;	}	Mat src,gray;	namedWindow("src", WINDOW_AUTOSIZE);    while(true){           cap>>src;        cvtColor(src, gray, COLOR_BGR2GRAY);//转换为灰度图        //直方图均衡化        equalizeHist(gray, gray);//因为积分图像特征基于矩形区域的差,如果直方图是不平衡的,这些差异就有可能由于整体光照或者测试图像的曝光而倾斜,所以这一步非常重要        vector<Rect> faces;        //利用detectMultiScale搜索图像        face_cascade.detectMultiScale(gray, //灰度图像                                    faces, //vector<Rect>边界矩形                                    1.1,//scaleFactor表示每次图像尺寸减小的比例                                    3, //minNeighbors表示每一个目标至少要被检测到3次才算是真的目标(因为周围的像素和不同的窗口大小都可以检测到人脸)                                    0, //flags 旧版本OpenCV 1.x级联工具                                    Size(30, 30)); //目标的最小尺寸        for (size_t i = 0; i < faces.size(); i++)        {               //检索到人脸则画圆形            Point center(faces[i].x + faces[i].width*0.5, faces[i].y + faces[i].height*0.5);            ellipse(src, center, Size(faces[i].width*0.5, faces[i].height*0.5), 0, 0, 360, Scalar(0,255,255), 4, 8, 0);        }        imshow("Face_detect", src);        waitKey(30);    }	return 0;}

1.3.5. 基于Haar特征的模型训练与识别

关键在于数据的采集与标记，这是一个非常麻烦的过程

给一个狗脸识别的例子
链接：https://pan.baidu.com/s/1d2eThpD0bbU0ZnZeV5XZAA
提取码：06cv

/* * @Descripttion:  * @version:  * @Author: Yueyang * @email: 1700695611@qq.com * @Date: 2021-05-05 11:19:53 * @LastEditors: Yueyang * @LastEditTime: 2021-05-05 11:23:38 */#include <opencv2/opencv.hpp>#include <iostream>using namespace std;using namespace cv;String fileName = "F:/SDK/OpenCV/HiKivision/data/Train/haarresult/cascase.xml";//当前项目文件下的xml文件//opencv自带训练好的人脸识别级联器CascadeClassifier face_cascade;//定义用来做目标检测的级联分类器的一个类int main(int argc, char** argv){       VideoCapture cap(0);	if (!face_cascade.load(fileName)) //检测级联器是否加载成功	{   		printf("could not load face feature data.../n");		return -1;	}	Mat src,gray;	namedWindow("src", WINDOW_AUTOSIZE);    while(true){           cap>>src;        cvtColor(src, gray, COLOR_BGR2GRAY);//转换为灰度图        //直方图均衡化        equalizeHist(gray, gray);//因为积分图像特征基于矩形区域的差,如果直方图是不平衡的,这些差异就有可能由于整体光照或者测试图像的曝光而倾斜,所以这一步非常重要        vector<Rect> faces;        //利用detectMultiScale搜索图像        face_cascade.detectMultiScale(gray, //灰度图像                                    faces, //vector<Rect>边界矩形                                    1.1,//scaleFactor表示每次图像尺寸减小的比例                                    3, //minNeighbors表示每一个目标至少要被检测到3次才算是真的目标(因为周围的像素和不同的窗口大小都可以检测到人脸)                                    0, //flags 旧版本OpenCV 1.x级联工具                                    Size(30, 30)); //目标的最小尺寸        for (size_t i = 0; i < faces.size(); i++)        {               //检索到人脸则画圆形            Point center(faces[i].x + faces[i].width*0.5, faces[i].y + faces[i].height*0.5);            ellipse(src, center, Size(faces[i].width*0.5, faces[i].height*0.5), 0, 0, 360, Scalar(0,255,255), 4, 8, 0);        }        imshow("Face_detect", src);        waitKey(30);    }	return 0;}

1.4. 特征匹配

/* * @Descripttion:  * @version:  * @Author: Yueyang * @email: 1700695611@qq.com * @Date: 2021-05-05 07:51:35 * @LastEditors: Yueyang * @LastEditTime: 2021-05-05 12:56:57 */#include <iostream>#include <opencv2/opencv.hpp>#include <opencv2/xfeatures2d.hpp>using namespace std;using namespace cv;using namespace cv::xfeatures2d;int main(){       Mat srcImage1 = imread("/home/pi/Desktop/WorkSpace/OpenCV/picture/pic1.jpg");//OBJ    Mat srcImage2 = imread("/home/pi/Desktop/WorkSpace/OpenCV/picture/pic2.jpg");//SCENE    if(srcImage1.channels()>1)    cvtColor(srcImage1,srcImage1,COLOR_BGR2GRAY);    if(srcImage2.channels()>1)    cvtColor(srcImage2,srcImage2,COLOR_BGR2GRAY);    int minHessian = 400;                           //定义Hessian矩阵阈值特征点检测算子    Ptr<SURF> deteror=SURF::create(minHessian);    vector<KeyPoint> keypoints1;                     //定义KeyPoint类型的矢量容器vector存储检测到的特征点    vector<KeyPoint> keypoints2;          Mat descrp1,descrp2;    deteror->detectAndCompute(srcImage1,Mat(),keypoints1,descrp1);            //调用detect检测特征点    deteror->detectAndCompute(srcImage2,Mat(),keypoints2,descrp2);            //调用detect检测特征点    FlannBasedMatcher matcher;    vector<DMatch>mathces;    matcher.match(descrp1,descrp2,mathces);    double minDist=1000;    double maxDist=0;    for(int i=0;i<descrp1.rows;i++)    {           double dist=mathces[i].distance;        if(dist>maxDist)maxDist=dist;        if(dist<minDist)minDist=dist;    }    printf("min %f,max %f",minDist,maxDist);    vector<DMatch>goodmach;    for(int i=0;i<descrp1.rows;i++)    {           double dist =mathces[i].distance;        if(dist<max(2*minDist,0.02))        {               goodmach.push_back(mathces[i]);        }    }    Mat dst;    drawMatches(srcImage1,keypoints1,srcImage2,keypoints2,goodmach,dst);    vector<Point2f>obj;    vector<Point2f>scene;    for(int t=0;t<goodmach.size();t++)    {           obj.push_back(keypoints1[goodmach[t].queryIdx].pt);        scene.push_back(keypoints2[goodmach[t].trainIdx].pt);       }    Mat H=findHomography(obj,scene,RANSAC);    vector<Point2f>obj_coners(4);    vector<Point2f>scene_coners(4);    obj_coners[0]=Point(0,0);    obj_coners[1]=Point(srcImage1.cols,0);    obj_coners[2]=Point(srcImage1.cols,srcImage1.rows);    obj_coners[3]=Point(0,srcImage1.rows);    perspectiveTransform(obj_coners,scene_coners,H);    line(dst,scene_coners[0]+Point2f(srcImage1.cols,0),scene_coners[1]+Point2f(srcImage1.cols,0),Scalar(0,0,255),2,8,0);    line(dst,scene_coners[1]+Point2f(srcImage1.cols,0),scene_coners[2]+Point2f(srcImage1.cols,0),Scalar(0,0,255),2,8,0);    line(dst,scene_coners[2]+Point2f(srcImage1.cols,0),scene_coners[3]+Point2f(srcImage1.cols,0),Scalar(0,0,255),2,8,0);    line(dst,scene_coners[3]+Point2f(srcImage1.cols,0),scene_coners[0]+Point2f(srcImage1.cols,0),Scalar(0,0,255),2,8,0);    imshow("match",dst);    waitKey(0);    return 0;}