OpenCV（四十七）：RANSAC优化特征点匹配

小鱼儿 2024-03-03 09:04 46阅读 0赞

#### 1.RANSAC算法介绍 ####

[RANSAC][]是一种常用的参数估计方法，全称为Random Sample Consensus（随机抽样一致性）。它的主要思想是通过随机选择一部分数据样本，构建模型并评估其拟合程度，迭代过程中逐步优化模型，最终得到一个拟合较好的模型。

其基本流程如下：

*  随机取样，计算规律(特征点匹配中计算单应矩阵)
 *  测试规律是否满足大多数数据
 *  循环前两步
 *  选取最佳规律，并输出满足数据的点

#### 2.RANSAC优化特征点匹配结果的函数findHomography() ####

> Mat cv::findHomography ( InputArray srcPoints,
> 
> InputArray dstPoints,
> 
> int method = 0,
> 
> double ransacReprojThreshold =3，
> 
> OutputArray mask = noArray(),
> 
> const intmaxlters = 2000，
> 
> const double confidence = 0.995
> 
> ）

*  SrcPoints:原始图像中特征点的坐标
 *  dstPoints:目标图像中特征点的坐标
 *  method:计算单应矩阵方法的标志
 *  ransacReprojThreshold; 重投影的最大误差
 *  mask:掩码矩阵，使用RANSAC算法时表示满足单应矩阵的特征点
 *  maxIters:RANSAC算法迭代的最大次数
 *  confidence:置信区间，取值范围0-1

#### 3.示例代码 ####

void orb_fearures(Mat &gray,vector<KeyPoint> &keypoints,Mat &descriptions){
        Ptr<ORB> orb=ORB::create(1000,1.2f);
        orb->detect(gray,keypoints);
        orb->compute(gray,keypoints,descriptions);
    }
    //RANSAC算法实现
    void ransac(vector<DMatch> matches,vector<KeyPoint> queryKeyPoint,vector<KeyPoint> trainKeyPoint,vector<DMatch> &matches_ransac){
        //定义保存匹配点对坐标
        vector<Point2f> srcPoints(matches.size()),dstPoints(matches.size());
        //保存从关键点中提取到的匹配点对坐标
        for(int i=0;i<matches.size();i++){
            srcPoints[i]=queryKeyPoint[matches[i].queryIdx].pt;
            dstPoints[i]=trainKeyPoint[matches[i].trainIdx].pt;
        }
        //匹配点对进行RANSAC过滤
        vector<int> inliersMask(srcPoints.size());
        findHomography(srcPoints,dstPoints,RANSAC,5,inliersMask);
        //手动的保留RANSAC过滤的匹配点对
        for(int i=0;i<inliersMask.size();i++){
            if(inliersMask[i]){
                matches_ransac.push_back(matches[i]);
            }
        }
    }
    
    void Ransac_f(Mat img1,Mat img2){
        //提取特征点
        vector<KeyPoint> keypoints1,keypoints2;
        Mat descriptions1,descriptions2;
        //计算特征点
        orb_fearures(img1,keypoints1,descriptions1);
        orb_fearures(img2,keypoints2,descriptions2);
        //特征点匹配
        vector<DMatch> matches;//定义存放匹配结果的变量
        BFMatcher matcher(NORM_HAMMING);//定义特征点匹配的类，使用汉明距离
        matcher.match(descriptions1,descriptions2,matches);//进行特征点匹配
        ostringstream ss;
        ss<<"matches="<<matches.size()<<endl;//匹配成功特征点数目
        //通过汉明距离删选匹配结果
        double min_dist=1000,max_dist=0;
        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;
        }
        //输出所有匹配结果中最大韩明距离和最小汉明距离
        ss<<"min_dist="<<min_dist<<endl;
        ss<<"max_dist="<<max_dist<<endl;
        //将汉明距离较大的匹配点对删除
        vector<DMatch> good_matches;
        for(int i=0;i<matches.size();i++){
            if(matches[i].distance<=max(2*min_dist,20.0)){
                good_matches.push_back(matches[i]);
            }
        }
        ss<<"good_min="<<good_matches.size()<<endl;//剩余特征点数目
        LOGD("%s",ss.str().c_str());
        //用ransac算法筛选匹配结果
        vector<DMatch> good_ransac;
        ransac(good_matches,keypoints1,keypoints2,good_ransac);
        //绘制匹配结果
        Mat outimg2;
        drawMatches(img1,keypoints1,img2,keypoints2,good_ransac,outimg2);
        //显示结果
        imwrite("/sdcard/DCIM/outimg2.png",outimg2);//ransac筛选
    
    }

ransac筛选结果：

![226ec2154f73488f83df657b0a640ee9.jpeg][]

[RANSAC]: https://so.csdn.net/so/search?q=RANSAC&spm=1001.2101.3001.7020
[226ec2154f73488f83df657b0a640ee9.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/03/0df1dd1e2d9e498eb32518530a589cc0.png