Opencv下利用SIFT、SURF、ORB三种特征点实现图像匹配

Opencv下利用SIFT、SURF、ORB三种特征点实现图像匹配

视频项目中要用到拼接，这里记录一下SIFT、SURF、ORB三种特征点。 本文不做过多的理论解释，只是利用opencv简单实现三种特征点匹配算法的验证（改进的部分暂未上传）。

环境： Windows下vs2010，opev2.4.9; 代码release下编译，工程release下的exe可以直接运行；编译工程需要配置opencv，见： 注意： 工程具体添加以下lib（release下的dll与以下的lib是对应的）： opencv_core249.lib opencv_highgui249.lib opencv_imgproc249.lib opencv_features2d249.lib opencv_nonfree249.lib opencv_legacy249.lib

1. 三种特征点 1）尺度、旋转不变性（ORB算法在尺度方面效果较差）； 2）ORB较快，SURF运行速度大约为SIFT的3倍，ORB是sift的100倍，是surf的10倍。（这里摘录网上看到的，，具体视具体的数据）； 3）SURF的鲁棒性较好 具体的三种性能比较可见这篇文章： (1)多种角度比较SIFT、SURF、BRISK、ORB、FREAK算法 (2)http://blog.jobbole.com/83919/
2. 衡量指标与改进方向 一般用于图像匹配或者配置及拼接时:常有以下衡量指标： 检测关键点，检测时间，匹配点对数，匹配时间；误匹配点对；主观效果。 改进方向： 特征点提取：对上述三种算法的特征点提取及描述方面加以某种改进。 匹配：通常在匹配时有kd树搜素、双向匹配；在视频中可在首帧进行匹配求得变换矩阵，在首帧之后的k帧一直采用上述变换矩阵。RANSAC算法剔除误匹配点。

简单使用：

匹配效果：

第一组：

SIFT:

SURF:

ORB:

第二组：

在提取特征点后，只利用opencv自带的BruteForceMatcher进行特征点的匹配且未进行误匹配点的剔除的情况下。匹配结果在两幅根本不关联的图像也会匹配出较多的匹配点。所有，利用上述三种算法进行特征点提取后，要在匹配中进行改进。改进版的下次再写。