特徵檢測與匹配筆記（OpenCV3編程入門--毛星雲--基於特徵的局部匹配算法）

文章目錄

立體匹配算法分類

1、OpenCV實現的立體匹配算法：可以分爲2類：全局匹配算法與局部匹配算法。全局匹配算法精度高，缺點是計算速度慢，實時性差；局部匹配算法分爲基於區域的匹配，基於特徵的匹配；局部匹配計算速度快，可以滿足實時性要求，但是精度較全局匹配差；基於特徵的匹配只能得到稀疏的視差，需要靠插值完成視差圖的重建；
2、全局匹配算法：OpenCV實現了SGBM（半全局塊匹配算法），GC算法（OpenCV3.0以後版本沒有實現）；
3、基於區域的局部匹配算法：OpenCV實現了BM(塊匹配算法)；
4、基於特徵的局部匹配算法：OpenCV實現了10種特徵檢測匹配方法：

1. FAST  --FastFeatureDetector;
2. STAR --StarFeatureDetector;
3. SIFT --尺度不變特徵變換；
4. SURF --加速魯棒特徵；
5. ORB
6. MSER
7. GFTT
8. HARRIS
9. Dense
10.SimpleBlob

SURF特徵點檢測原理

1、SURF ： SpeededUp Robust Features , 直譯“加速版的具有魯棒性的特徵算法” ， SURF是尺度不變特徵變換算法（SIFT）的加速版，計算速度更快，在多幅圖片下具有更好的穩定性；SURF最大的特徵在於採用了Harr特徵以及積分圖像的概念，大大加快了程序的運行時間；
2、SURF算法原理：
①構建Hessian矩陣，構建高斯金字塔尺度空間；
②利用非極大值抑制初步確定特徵點；
③精確定位極值點（採用三維線性插值法得到亞像素級的特徵點）；
④選取特徵點的主方向：
Sift選取特徵點主方向是採用在特徵點領域內統計其梯度直方圖，取直方圖bin值最大的以及超過bin值80%的哪些方向作爲特徵點的主方向；
Surf則是不統計其梯度直方圖，而是統計特徵點領域內的harr小波特徵，取最大值那個扇形的方向作爲特徵點的主方向；
⑤構造surf特徵點描述子（Descriptor）：
Sift算法是在特徵點周圍取1616的領域，將該領域化爲44個小區域，每個小區域統計8個方向梯度，最後得到448 = 128維的向量，作爲該點的Sift描述子；
Surf算法中，在特徵點周圍取20s(s是所檢測到該特徵點所在的尺度)，然後將該框分爲16個子區域，每個區域計算harr小波特徵的4個值，所以每個特徵點就是16*4=64維的向量，相比Sift，特徵點描述子少了一半，特徵匹配速度大大加快；

3、OpenCV3.0以後版本中，SURF、SurfFeatureDetector、SurfDescriptorExtractor代表相同含義（typedef定義的別名）；（類繼承關係）

4、SurfFeatureDetector類常用的方法：detect()（尋找特徵點）、compute()（計算特徵點的描述子）；

繪製關鍵點與KeyPoint類

1、drawKeyPoints()函數：第5個參數flag : 繪製關鍵點的特徵標識符（注意不同參數效果）

(Google翻譯：)

2、KeyPoint關鍵點：（使用描述符描述其特徵信息）
關鍵點是角點概念的擴展，對來自圖像的小的局部像斑的信息進行編碼，使關鍵點具有高度可辨別性，關鍵點的描述性信息被概括成描述符的形式，其描述符的維度通常比形成關鍵點的像素像斑低得多。（摘自Learning OpenCV3）

_size : 特徵點領域直徑
_angle : 特徵點方向（0-360），（-1表示不使用）
_response : 關鍵點強度；
_octave : 關鍵點所在的圖像金字塔的組；
_class_id : 用於聚類的id;

3、Surf、Sift是OpenCV的nofree模塊，需要安裝opencv_contrib附加庫；（CMake編譯時需要選擇編譯平臺爲x64!）

Surf特徵點檢測demo1

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>   //添加Surf
#include <iostream>

using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;     //添加命名空間

int main(int argc, char** argv)
{
	Mat src = imread("00.jpg", IMREAD_COLOR);
	imshow("input", src);

	int minHessian = 1000;  
	Ptr<SURF> detector = SURF::create(minHessian);
	vector<KeyPoint> keypoint_1;
	detector->detect(src, keypoint_1);			//檢測SURF特徵關鍵點

	//繪製KeyPoints
	Mat img_keypoint_1;
	drawKeypoints(src, keypoint_1, img_keypoint_1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
	//顯示KeyPoints
	imshow("detect", img_keypoint_1);

	waitKey(0);
	return 0;
}

Surf特徵描述子計算與特徵匹配（暴力匹配BFMatch）

1、Surf算法爲每個檢測到的特徵定義了位置與尺度，尺度值可用於定義圍繞特徵點的窗口大小，不論物體的尺度在窗口是什麼樣的，都將包含相同的視覺信息，這些信息用於表示特徵點以使得它們與衆不同；
2、OpenCV中，使用Surf進行特徵點描述與匹配主要是drawMatches()方法與BruteForceMatcher類使用；
3、drawMatcher() : 繪製兩幅圖像中的匹配點

matchMask : 確定哪些匹配是會繪製出來的掩膜，如果掩膜爲空，表示所有匹配都進行繪製；

4、BFMatcher類常用方法：
train() :
訓練一個描述符匹配器(例如，flann索引)。在所有要匹配的方法中，方法train()每次在匹配之前都會運行。一些描述符匹配器(例如，BruteForceMatcher)具有此方法的空實現。其他的描述符匹配器真的訓練他們的內部結構(例如，FlannBasedMatcher訓練flann::Index)。
match() : 查詢列表，並與訓練好的字典中的描述符進行比較，查詢列表上每個關鍵點與列表中的“最佳匹配”匹配；
knnMatch() : k-最鄰近匹配；
radiusMatch() : 半徑匹配，返回與查詢描述符特定距離內的所有匹配；

5、特徵點匹配步驟：
①Surf算子計算特徵點；
②Surf算子計算特徵點描述子；
③BruteForceMatcher中的函數match()強行匹配兩幅圖像的特徵向量；

Surf特徵點暴力匹配demo2

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>   //添加Surf
#include <iostream>

using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;     //添加命名空間

int main(int argc, char** argv)
{
	Mat src1 = imread("1.jpg");
	Mat src2 = imread("2.jpg");

	Ptr<SURF> surfdect = SURF::create(1500);
	//計算Surf特徵點
	vector<KeyPoint> keypoint_src1;
	vector<KeyPoint> keypoint_src2;
	surfdect->detect(src1, keypoint_src1);
	surfdect->detect(src2, keypoint_src2);
	//計算描述符（特徵向量）
	Mat descriptor_src1;
	Mat descriptor_src2;
	surfdect->compute(src1, keypoint_src1, descriptor_src1);
	surfdect->compute(src2, keypoint_src2, descriptor_src2);
	//匹配兩幅圖像中的描述子
	vector<DMatch> dMatch;
	Ptr<BFMatcher> bfMatch = BFMatcher::create(NORM_L2, false);
	bfMatch->match(descriptor_src1,descriptor_src2,dMatch);
	//繪製匹配點
	Mat imgMatches;
	drawMatches(src1, keypoint_src1, src2, keypoint_src2, dMatch, imgMatches);

	imshow("BF Match", imgMatches);

	waitKey(0);
	return 0;
}

暴力匹配結果：（許多誤匹配點）

快速近似最近鄰逼近搜索函數庫（FLANN）

1、FLANN ： Fast Library for Approximate Nearest Neighbors;
2、FlannBasedMatcher類繼承DescriptorMatcher類；使用match()方法匹配；

3、match()方法：

4、DMatch類的四個主要屬性：用來存儲描述符匹配結果

FLANN匹配demo3

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>   //添加Surf
#include <iostream>

using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;     //添加命名空間

int main(int argc, char** argv)
{
	Mat src1 = imread("1.jpg");
	Mat src2 = imread("2.jpg");
	//計算Surf特徵點
	Ptr<SURF> surfdect = SURF::create(1000);
	vector<KeyPoint> keypoint_src1;
	vector<KeyPoint> keypoint_src2;
	surfdect->detect(src1, keypoint_src1);
	surfdect->detect(src2, keypoint_src2);
	//計算描述符（特徵向量）
	Mat descriptor_src1;
	Mat descriptor_src2;
	surfdect->compute(src1, keypoint_src1, descriptor_src1);
	surfdect->compute(src2, keypoint_src2, descriptor_src2);
	//使用FLANN算法匹配描述符向量
	vector<DMatch> dMatch;
	Ptr<FlannBasedMatcher> flannMatcher = FlannBasedMatcher::create();
	flannMatcher->match(descriptor_src1, descriptor_src2, dMatch);
	double max_dist = 0, min_dist = 100;
	//快速計算關鍵點之間的最大和最小距離
	for (int i = 0; i < descriptor_src1.rows; i++)
	{
		double dist = dMatch[i].distance;
		if (dist < min_dist) min_dist = dist;
		if (dist > max_dist) max_dist = dist;
	}
	//輸出距離信息
	printf("Max dist : %f \n", max_dist);
	printf("Min dist : %f \n", min_dist);

	//儲存符合條件的匹配結果（dist < 2 * min_dist）
	vector<DMatch> good_match;
	for (int i = 0; i < descriptor_src1.rows; i++)
	{
		if (dMatch[i].distance < 2 * min_dist)
		{
			good_match.push_back(dMatch[i]);
		}
	}

	//繪製符合條件的匹配點
	Mat imgMatch;
	drawMatches(src1, keypoint_src1, src2, keypoint_src2, good_match, imgMatch,
		Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);

	//輸出相關點匹配信息
	for (int i = 0; i < good_match.size(); i++)
	{
		printf("> 符合條件的匹配點 [%d] 特徵點1：%d --- 特徵點2： %d  \n",
			i, good_match[i].queryIdx, good_match[i].trainIdx);
	}
	//顯示匹配結果
	imshow("FLANN Match", imgMatch);
	
	waitKey(0);
	return 0;
}

FLANN+SURFdemo4

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>   //添加Surf
#include <iostream>

using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;     //添加命名空間

int main(int argc, char** argv)
{
	Mat trainImg = imread("3.jpg");
	Mat trainImg_gray;
	imshow("input", trainImg);
	cvtColor(trainImg, trainImg_gray, CV_BGR2GRAY);

	//檢測Surf關鍵點，提取訓練圖像描述符
	vector<KeyPoint> train_keypoints;
	Mat trainDescriptor;
	Ptr<SURF> surfDetector = SURF::create(1000);
	surfDetector->detect(trainImg, train_keypoints);    //尋找特徵點
	surfDetector->compute(trainImg, train_keypoints, trainDescriptor);  //計算描述符

	//創建基於FLANN的描述符匹配對象
	FlannBasedMatcher flannMatch;
	vector<Mat> train_desc_collection(1, trainDescriptor);
	flannMatch.add(train_desc_collection);
	flannMatch.train();

	//創建視頻對象，定義幀率
	VideoCapture capture(0);
	unsigned int frameCount = 0;

	while (char(waitKey(1)) != 'q')
	{
		int64 time0 = getTickCount();
		Mat testImage, testImage_gray;
		//capture >> testImage;
		capture.read(testImage);
		if (testImage.empty())
			continue;
		cvtColor(testImage, testImage_gray, CV_BGR2GRAY);

		//檢測關鍵點，計算特徵向量（描述符）
		vector<KeyPoint> test_keypoint;
		Mat test_descriptor;
		surfDetector->detect(testImage_gray, test_keypoint);
		surfDetector->compute(testImage_gray, test_keypoint, test_descriptor);

		//匹配訓練和測試描述符
		vector<vector<DMatch>> matches;
		flannMatch.knnMatch(test_descriptor, matches, 2);

		//根據勞式算法得到優秀匹配點
		vector<DMatch> goodMatches;
		for (unsigned int i = 0; i < matches.size(); i++)
		{
			if (matches[i][0].distance < 0.6 * matches[i][1].distance)
			{
				goodMatches.push_back(matches[i][0]);
			}
		}

		//繪製匹配點並顯示窗口
		Mat dstImage;
		drawMatches(testImage, test_keypoint, trainImg, train_keypoints, goodMatches, dstImage);
		imshow("匹配窗口", dstImage);

		//輸出幀率信息
		cout << "當前幀率爲： " << getTickFrequency() / (getTickCount() - time0) << endl;

	}

	return 0;

}

幀率偏低，算法效率有待加強：

BF+SIFT特徵匹配demo5

1、理論上SURF是SIFT速度的3倍；

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>   //添加Surf
#include <iostream>

using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;     //添加命名空間

int main(int argc, char** argv)
{
	Mat trainImg = imread("3.jpg");
	Mat trainImg_gray;
	imshow("input", trainImg);
	cvtColor(trainImg, trainImg_gray, CV_BGR2GRAY);

	//檢測Sift關鍵點，提取訓練圖像描述符
	vector<KeyPoint> train_keypoints;
	Mat trainDescriptor;
	Ptr<SIFT> siftDetector = SIFT::create();			//使用智能指針創建SIFI對象
	siftDetector->detect(trainImg, train_keypoints);    //尋找特徵點
	siftDetector->compute(trainImg, train_keypoints, trainDescriptor);  //計算描述符

	//創建基於Brute Force的描述符匹配對象
	BFMatcher bfMatcher;
	vector<Mat> train_desc_collection(1, trainDescriptor);
	bfMatcher.add(train_desc_collection);
	bfMatcher.train();

	//創建視頻對象，定義幀率
	VideoCapture capture(0);
	unsigned int frameCount = 0;

	while (char(waitKey(1)) != 'q')
	{
		int64 time0 = getTickCount();
		Mat testImage, testImage_gray;
		capture >> testImage;
		//capture.read(testImage);
		if (testImage.empty())
			continue;
		cvtColor(testImage, testImage_gray, CV_BGR2GRAY);

		//檢測關鍵點，計算特徵向量（描述符）
		vector<KeyPoint> test_keypoint;
		Mat test_descriptor;
		siftDetector->detect(testImage_gray, test_keypoint);
		siftDetector->compute(testImage_gray, test_keypoint, test_descriptor);

		//匹配訓練和測試描述符
		vector<vector<DMatch>> matches;
		bfMatcher.knnMatch(test_descriptor, matches, 2);

		//根據勞式算法得到優秀匹配點
		vector<DMatch> goodMatches;
		for (unsigned int i = 0; i < matches.size(); i++)
		{
			if (matches[i][0].distance < 0.6 * matches[i][1].distance)
			{
				goodMatches.push_back(matches[i][0]);
			}
		}

		//繪製匹配點並顯示窗口
		Mat dstImage;
		drawMatches(testImage, test_keypoint, trainImg, train_keypoints, goodMatches, dstImage);
		imshow("匹配窗口", dstImage);

		//輸出幀率信息
		cout << "當前幀率爲： " << getTickFrequency() / (getTickCount() - time0) << endl;

	}
	return 0;
}

筆記本運算速度較慢，SIFT有明顯卡頓；

尋找已知物體demo6

1、在FLANN特徵匹配的基礎上，還可以進一步用Homography映射找出已知物體：具體的爲使用findHomography()計算單應性矩陣，使用perspectiveTransform()計算映射點羣；

2、findHomography() : 計算源圖像與目標圖像之間的透視變換H;
srcPoints : CV_32FC2 的矩陣類型或vector< Point2f >
dstPoints : CV_32FC2 的矩陣類型或vector< Point2f >

3、perspectiveTransform() : 進行向量透視矩陣變換；
m: 33 或44浮點型矩陣；

4、demo6

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>   //添加Surf
#include <iostream>

using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;     //添加命名空間

int main(int argc, char** argv)
{
	Mat src1 = imread("1.jpg");
	Mat src2 = imread("2.jpg");
	if (!src1.data || !src2.data)
	{
		cout << "load the image failed..." << endl;
		return -1;
	}
	//檢測Surf特徵點
	Ptr<SURF> surfDetector = SURF::create(1000);
	vector<KeyPoint> keypoint_src1;
	vector<KeyPoint> keypoint_src2;
	surfDetector->detect(src1, keypoint_src1);
	surfDetector->detect(src1, keypoint_src2);
	//計算描述符
	Mat descriptor_src1, descriptor_src2;
	surfDetector->compute(src1, keypoint_src1, descriptor_src1);
	surfDetector->compute(src2, keypoint_src2, descriptor_src2);

	//FLANN 特徵點匹配
	FlannBasedMatcher flannMatcher;
	vector<DMatch> dMatch;
	flannMatcher.match(descriptor_src1, descriptor_src2, dMatch);
	double max_dist = 0, min_dist = 100;  //最小距離和最大距離

	for (int i = 0; i < dMatch.size(); i++)
	{
		double dist = dMatch[i].distance;
		if (dist < min_dist) min_dist = dist;
		if (dist > max_dist) max_dist = dist;
	}
	printf(">Max dist : %f\n", max_dist);
	printf(">Min dist : %f\n", min_dist);

	//存下匹配距離小於 3 * min_dist 的點對
	vector<DMatch> good_Match;
	for (int i = 0; i < dMatch.size(); i++)
	{
		if (dMatch[i].distance < 3 * min_dist)
		{
			good_Match.push_back(dMatch[i]);
		}
	}

	//繪製出匹配到的關鍵點
	Mat img_matches;
	drawMatches(src1, keypoint_src1, src2, keypoint_src2, good_Match, img_matches, 
			Scalar::all(-1), Scalar::all(-1), vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);

	//定義2個局部變量
	vector<Point2f> obj;
	vector<Point2f> scene;
	//從匹配成功的匹配對中獲取關鍵點
	for (int i = 0; i < good_Match.size(); i++)
	{
		obj.push_back(keypoint_src1[good_Match[i].queryIdx].pt);
		scene.push_back(keypoint_src2[good_Match[i].trainIdx].pt);
	}
	//計算透視變換
	Mat H = findHomography(obj, scene, CV_RANSAC);
	//從待測圖片中獲取角點
	vector<Point2f> obj_corners(4);
	obj_corners[0] = Point(0, 0);
	obj_corners[1] = Point(src1.cols, 0);
	obj_corners[2] = Point(src1.cols, src1.rows);
	obj_corners[3] = Point(0, src1.rows);
	vector<Point2f> scene_corners(4);
	//進行透視變換
	perspectiveTransform(obj_corners, scene_corners,H);

	//繪製出角點之間的直線
	line(img_matches, scene_corners[0] + Point2f(static_cast<float>(src1.cols), 0),
		scene_corners[1] + Point2f(static_cast<float>(src1.cols), 0),
		Scalar(255, 0, 123), 4);
	line(img_matches, scene_corners[1] + Point2f(static_cast<float>(src1.cols), 0),
		scene_corners[2] + Point2f(static_cast<float>(src1.cols), 0),
		Scalar(255, 0, 123), 4);
	line(img_matches, scene_corners[2] + Point2f(static_cast<float>(src1.cols), 0),
		scene_corners[3] + Point2f(static_cast<float>(src1.cols), 0),
		Scalar(255, 0, 123), 4);
	line(img_matches, scene_corners[3] + Point2f(static_cast<float>(src1.cols), 0),
		scene_corners[0] + Point2f(static_cast<float>(src1.cols), 0),
		Scalar(255, 0, 123), 4);

	//顯示最終結果
	imshow("Good Matches & Object detection", img_matches);
	waitKey(0);
	return 0;
}

ORB特徵提取簡介

1、ORB : ORiented Brief簡稱，是brief算法改進版，2011年在《ORB: an efficient alternative to SIFT or SURF》論文中被提出，據說，ORB算法綜合性能在各種測評裏相較於其他特徵提取算法是最好的。
2、Brief ： Binary Robust Independent Elementary Features的縮寫，主要思路：在特徵點附近隨機選取若干點對，將這些點對的灰度值大小組成一個二進制串，並將這個二進制串作爲該特徵點的描述子。
3、BRIEF 優點是速度，缺點：不具備旋轉不變性、對噪聲敏感、不具備尺度不變性；
4、統計數據，ORB速度是SIFI的100倍，SURF的10倍
5、 ORB繼承自Feature2D

typedef ORB OrbFeatureDetector;
typdef ORB OrbDescriptorExtractor;
class CV_EXPORTS_W ORB : public Feature2D
{
}

ORB + FLANN-LSH(位置敏感哈希索引)特徵點匹配demo7

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>   //添加Surf
#include <iostream>

using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;     //添加命名空間

int main(int argc, char** argv)
{
	Mat src = imread("3.jpg");
	if (!src.data)
	{
		cout << "could not load the image..." << endl;
		return -1;
	}
	Mat src_gray;
	cvtColor(src, src_gray, CV_BGR2GRAY);

	Ptr<ORB> orbDetector = ORB::create();
	vector<KeyPoint> keyPoint_src;
	Mat descriptor_src;
	orbDetector->detect(src_gray, keyPoint_src);						//尋找特徵點
	orbDetector->compute(src_gray, keyPoint_src, descriptor_src);	//計算特徵向量

	//基於Flann的描述符對象匹配
	flann::Index flannIndex(descriptor_src, flann::LshIndexParams(12, 20, 2), cvflann::FLANN_DIST_HAMMING);

	//初始化視頻採集對象
	VideoCapture cap(0);
	cap.set(CV_CAP_PROP_FRAME_WIDTH, 360);			//設置採集視頻的寬度高度
	cap.set(CV_CAP_PROP_FRAME_HEIGHT, 900);

	unsigned int frameCount = 0;

	while (1)
	{
		double time0 = static_cast<double>(getTickCount());  //記錄起始時間
		Mat captureImage, captureImage_gray;
		cap >> captureImage;
		if (captureImage.empty())
			continue;
		cvtColor(captureImage, captureImage_gray, CV_BGR2GRAY);

		//尋找ORB特徵點並計算特徵點描述符
		vector<KeyPoint> keypoint_cap;
		Mat descriptor_cap;
		orbDetector->detect(captureImage_gray, keypoint_cap);       //計算特徵點
		orbDetector->compute(captureImage_gray, keypoint_cap, descriptor_cap);  //計算描述符

		//匹配和測試描述符，獲取2個最鄰近的描述符
		Mat matchIndex(descriptor_cap.rows, 2, CV_32SC1);
		Mat matchDistance(descriptor_cap.rows, 2, CV_32FC1);
		//調用K鄰近算法
		flannIndex.knnSearch(descriptor_cap, matchIndex, matchDistance, 2, flann::SearchParams());

		//根據 Lowe's algorithm 選出最佳匹配
		vector<DMatch> goodMatches;
		for (int i = 0; i < matchDistance.rows; i++)
		{
			if (matchDistance.at<float>(i, 0) < 0.6 * matchDistance.at<float>(i, 1))
			{
				DMatch dmatches(i, matchIndex.at<int>(i, 0), matchDistance.at<float>(i, 0));
				goodMatches.push_back(dmatches);
			}
		}

		//繪製顯示匹配窗口
		Mat resultImage;
		drawMatches(src, keyPoint_src, captureImage, keypoint_cap, goodMatches, resultImage);

		imshow("匹配窗口", resultImage);

		//顯示幀率
		cout << "> 幀率: " << getTickFrequency() / (getTickCount() - time0) << endl;

		if (char(waitKey(1)) == 27) break;

	}
	return 0;
}

特徵檢測與匹配筆記（OpenCV3編程入門--毛星雲--基於特徵的局部匹配算法）

文章目錄

立體匹配算法分類

SURF特徵點檢測原理

繪製關鍵點與KeyPoint類

Surf特徵點檢測demo1

Surf特徵描述子計算與特徵匹配（暴力匹配BFMatch）

Surf特徵點暴力匹配demo2

快速近似最近鄰逼近搜索函數庫（FLANN）

FLANN匹配demo3

FLANN+SURFdemo4

BF+SIFT特徵匹配demo5

尋找已知物體demo6

ORB特徵提取簡介

ORB + FLANN-LSH(位置敏感哈希索引)特徵點匹配demo7

攝像頭常見參數解釋（轉載）

驅動一款淘寶購買的130萬像素的USB雙目攝像頭-記錄

[機器視覺]手眼標定（轉載）

Word 2016 撰寫論文(1): 公式居中、編號右對齊（轉載）

深度相機（一）——分類：TOF、RGB雙目、結構光優劣分析（轉載）

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結