opencv sift 怎么用

OPENCV下SIFT特征点提取与匹配的大致流程如下：

读取图片-》特征点检测（位置，角度，层）-》特征点描述的提取（16*8维的特征向量）-》匹配-》显示

其中，特征点提取主要有两个步骤，见上行黄子部分。下面做具体分析。

1、使用opencv内置的库读取两幅图片

2、生成一个SiftFeatureDetector的对象，这个对象顾名思义就是SIFT特征的探测器，用它来探测衣服图片中SIFT点的特征，存到一个KeyPoint类型的vector中。这里有必要说keypoint的数据结构，涉及内容较多，具体分析查看opencv中keypoint数据结构分析，里面讲的自认为讲的还算详细（表打我……）。简而言之最重要的一点在于：

keypoint只是保存了opencv的sift库检测到的特征点的一些基本信息，但sift所提取出来的特征向量其实不是在这个里面，特征向量通过SiftDescriptorExtractor 提取，结果放在一个Mat的数据结构中。这个数据结构才真正保存了该特征点所对应的特征向量。具体见后文对SiftDescriptorExtractor 所生成的对象的详解。

就因为这点没有理解明白耽误了一上午的时间。哭死！

3、对图像所有KEYPOINT提取其特征向量：

得到keypoint只是达到了关键点的位置，方向等信息，并无该特征点的特征向量，要想提取得到特征向量就还要进行SiftDescriptorExtractor

的工作，建立了SiftDescriptorExtractor

对象后，通过该对象，对之前SIFT产生的特征点进行遍历，找到该特征点所对应的128维特征向量。具体方法参见opencv中SiftDescriptorExtractor所做的SIFT特征向量提取工作简单分析。通过这一步后，所有keypoint关键点的特征向量被保存到了一个MAT的数据结构中，作为特征。

4、对两幅图的特征向量进行匹配，得到匹配值。

两幅图片的特征向量被提取出来后，我们就可以使用BruteForceMatcher对象对两幅图片的descriptor进行匹配，得到匹配的结果到matches中。

至此，SIFT从特征点的探测到最后的匹配都已经完成，虽然匹配部分不甚了解，只扫对于如何使用OPENCV进行sift特征的提取有了一定的理解。接下来可以开始进行下一步的工作了。

附:使用OPENCV下SIFT库做图像匹配的例程

// opencv_empty_proj.cpp : 定义控制台应用程序的入口点。

//

#include "stdafx.h"

#include <opencv2/opencv.hpp>

#include <opencv2/features2d/features2d.hpp>

#include<opencv2/nonfree/nonfree.hpp>

#include<opencv2/legacy/legacy.hpp>

#include<vector>

using namespace std

using namespace cv

int _tmain(int argc, _TCHAR* argv[])

{

const char* imagename = "img.jpg"

//从文件中读入图像

Mat img = imread(imagename)

Mat img2=imread("img2.jpg")

//如果读入图像失败

if(img.empty())

{

fprintf(stderr, "Can not load image %s\n", imagename)

return -1

}

if(img2.empty())

{

fprintf(stderr, "Can not load image %s\n", imagename)

return -1

}

//显示图像

imshow("image before", img)

imshow("image2 before",img2)

//sift特征检测

SiftFeatureDetector siftdtc

vector<KeyPoint>kp1,kp2

siftdtc.detect(img,kp1)

Mat outimg1

drawKeypoints(img,kp1,outimg1)

imshow("image1 keypoints",outimg1)

KeyPoint kp

vector<KeyPoint>::iterator itvc

for(itvc=kp1.begin()itvc!=kp1.end()itvc++)

{

cout<<"angle:"<<itvc->angle<<"\t"<<itvc->class_id<<"\t"<<itvc->octave<<"\t"<<itvc->pt<<"\t"<<itvc->response<<endl

}

siftdtc.detect(img2,kp2)

Mat outimg2

drawKeypoints(img2,kp2,outimg2)

imshow("image2 keypoints",outimg2)

SiftDescriptorExtractor extractor

Mat descriptor1,descriptor2

BruteForceMatcher<L2<float>>matcher

vector<DMatch>matches

Mat img_matches

extractor.compute(img,kp1,descriptor1)

extractor.compute(img2,kp2,descriptor2)

imshow("desc",descriptor1)

cout<<endl<<descriptor1<<endl

matcher.match(descriptor1,descriptor2,matches)

drawMatches(img,kp1,img2,kp2,matches,img_matches)

imshow("matches",img_matches)

//此函数等待按键，按键盘任意键就返回

waitKey()

return 0

}

1. 创建单个对象跟踪器（Tracker）

多对象跟踪器只是单个对象跟踪器的集合。我们首先定义一个函数，该函数将跟踪器类型作为输入并创建一个跟踪器对象。OpenCV具有8种不同的跟踪器类型：BOOSTING，MIL，KCF，TLD，MEDIANFLOW，GOTURN，MOSSE和CSRT。

我们定义一个跟踪器函数createTrackerByName：

通过输入跟踪器名称，返回对应类型的跟踪器。

2. 读取视频的初始帧

多对象跟踪器（MultiTracker）需要两个输入：

初始视频帧

通过边界框（boundingbox）确定的对象位置

来看代码：我们建立了程序入口，并设定默认追踪算法为CSRT算法（注：GOTURN算法需要安装配置Caffe）。从摄像头读取初始帧

3.在初始帧中找到对象

OpenCV提供了一个名为selectROI的功能，该功能会d出一个GUI以选择边界框（也称为关注区域（ROI））。

SQL Server / Oracle / MS Access: CREATE TABLE Persons

(

P_Id int NOT NULL UNIQUE,

LastName varchar(255) NOT NULL,

FirstName varchar(255),

Address varchar(255),

City varchar(255)

)

---