若该文为原创文章，未经允许不得转载
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/107837715
各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究
红胖子(红模仿)的博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中…（点击传送门）

OpenCV开发专栏（点击传送门）

上一篇：《OpenCV开发笔记（六十八）：红胖子8分钟带你使用特征点Flann最邻近差值匹配识别（图文并茂+浅显易懂+程序源码）》
下一篇：持续补充中…

前言

红胖子，来也！
特征点、匹配，那么如何使用特征点和匹配来识别已有的物体，也就剩最关键的最后一步：寻找已知的物体了。

Demo

寻找已知物体

本篇章使用sift/surf特征点

sift特征点

尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。

surf特征点

SURF算法采用了很多方法来对每一步进行优化从而提高速度。分析显示在结果效果相当的情况下SURF的速度是SIFT的3倍。SURF善于处理具有模糊和旋转的图像，但是不善于处理视角变化和光照变化。（SIFT特征是局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性）。
针对图像场景的特点，选择不同的特征点，列出之前特征点相关的博文：
《OpenCV开发笔记（六十三）：红胖子8分钟带你深入了解SIFT特征点（图文并茂+浅显易懂+程序源码）》
《OpenCV开发笔记（六十四）：红胖子8分钟带你深入了解SURF特征点（图文并茂+浅显易懂+程序源码）》
《OpenCV开发笔记（六十五）：红胖子8分钟带你深入了解ORB特征点（图文并茂+浅显易懂+程序源码）》

本篇章使用暴力、最邻近差值匹配

暴力匹配

最佳特征匹配总是尝试所有可能的匹配，从而使得它总能够找到最佳匹配，这也是BruteForce（暴力法）的原始含义，涉及到的类为BFMatcher类。
《OpenCV开发笔记（六十七）：红胖子8分钟带你深入了解特征点暴力匹配（图文并茂+浅显易懂+程序源码）》

概述

对已知物体：过滤、去噪后、提取已知物体的特征点；
对场景：过滤、去噪后、提取场景的特征点；
对已知物体特征点集合和场景中的特征点集合去匹配，计算投影矩阵；
若成功计算变换矩阵就表示识别到物体；
通过原始的四个点位置进行变换矩阵计算，即可得到场景中的已知物体的四个顶点，该四个顶点连接起来就是已知物体的位置。

特征点集合计算变换矩阵函数原型

Mat findHomography(InputArray srcPoints,

                   InputArray dstPoints,

                   int method = 0,

                   double ransacReprojThreshold = 3,

                   OutputArray mask=noArray(),

                   const int maxIters = 2000,

                   const double confidence = 0.995);

参数一：InputArray类型的srcPoints，源平面上的对应点，可以是CV_32FC2的矩阵类型或者vector；
参数二：InputArray类型的dstPoints；目标平面上的对应点，可以是
CV 32FC2 的矩阵类型或者 vector；
参数三：int类型的method，用于计算单应矩阵的方法，如下图：

参数四：double类型的ransacReprojThreshold，最大允许重投影错误将点对视为内联线（仅用于RANSAC和RHO方法）；
参数五：OutputArray类型的mask，由鲁棒方法（RANSAC或LMEDS）设置的可选输出掩码。注意输入掩码值被忽略。；
参数六：const int类型的maxIters，RANSAC迭代的最大数量。；
参数七：const double类型的confidence，置信水平，介于0和1之间；

矩阵变换函数原型

void perspectiveTransform( InputArray src,

                           InputArray dst,

                           InputArray m);

参数一：InputArray类型的src，输入两通道或三通道浮点数组；每个元素是要转换的二维/三维向量。
参数二：InputArray类型的dst，与src大小和类型相同的输出数组；
参数三：InputArray类型的h，3x3或4x4浮点转换矩阵。

本文章博客地址：https://blog.csdn.net/qq21497936/article/details/107837715

Demo源码

void OpenCVManager::testFindKnownObject()

{

    QString fileName1 = "21.jpg";

    QString fileName2 = "24.jpg";

    int width = 400;

    int height = 300;

    cv::Mat srcMat = cv::imread(fileName1.toStdString());

    cv::Mat srcMat3 = cv::imread(fileName2.toStdString());

    cv::resize(srcMat, srcMat, cv::Size(width, height));

    cv::resize(srcMat3, srcMat3, cv::Size(width, height));

    cv::String windowName = _windowTitle.toStdString();

    cvui::init(windowName);

    cv::Mat windowMat = cv::Mat(cv::Size(srcMat.cols * 2, srcMat.rows * 3),

                                srcMat.type());

    cv::Ptr<cv::xfeatures2d::SIFT> _pSift = cv::xfeatures2d::SiftFeatureDetector::create();

    cv::Ptr<cv::xfeatures2d::SURF> _pSurf = cv::xfeatures2d::SurfFeatureDetector::create(450, 10, 10, true, true);

    cv::Ptr<cv::Feature2D> _pFeature2D;

    cv::Ptr<cv::DescriptorMatcher> _pDescriptorMatcher;

    int type = 0;

    int findType = 0;

    int k1x = 25;

    int k1y = 25;

    int k2x = 75;

    int k2y = 25;

    int k3x = 75;

    int k3y = 75;

    int k4x = 25;

    int k4y = 75;

    // 定义匹配器

    cv::Ptr<cv::FlannBasedMatcher> pFlannBasedMatcher = cv::FlannBasedMatcher::create();

    cv::Ptr<cv::BFMatcher> pBFMatcher = cv::BFMatcher::create();

    // 定义结果存放

    std::vector<cv::DMatch> listDMatch;

    // 存储特征点检测器检测特征后的描述字

    cv::Mat descriptor1;

    cv::Mat descriptor2;

    bool moveFlag = true;  // 移动的标志，不用每次都匹配

    std::vector<cv::Point2f> obj_corners(4);

    std::vector<cv::Point2f> scene_corners(4);

    windowMat = cv::Scalar(0, 0, 0);

    while(true)

    {

        cv::Mat mat;

        {

            std::vector<cv::KeyPoint> keyPoints1;

            std::vector<cv::KeyPoint> keyPoints2;

            int typeOld = type;

            int findTypeOld = findType;

            int k1xOld = k1x;

            int k1yOld = k1y;

            int k2xOld = k2x;

            int k2yOld = k2y;

            int k3xOld = k3x;

            int k3yOld = k3y;

            int k4xOld = k4x;

            int k4yOld = k4y;

            mat = windowMat(cv::Range(srcMat.rows * 0, srcMat.rows * 1),

                            cv::Range(srcMat.cols * 0, srcMat.cols * 1));

            mat = cv::Scalar(0);

            cvui::trackbar(windowMat, 0 + width * 0, 0 + height * 0, 165, &type, 0, 1);

            cv::String str;

            switch(type)

            {

            case 0:

                str = "sift";

                _pFeature2D = _pSift;

                break;

            case 1:

                str = "surf";

                _pFeature2D = _pSurf;

                break;

            default:

                break;

            }

            cvui::printf(windowMat, width / 4 + width * 0 - 20, 40 + height * 0, str.c_str());

            cvui::trackbar(windowMat, width / 2 + width * 0, 0 + height * 0, 165, &findType, 0, 1);

            switch(findType)

            {

            case 0:

                str = "BFMatcher";

                _pDescriptorMatcher = pBFMatcher;

                break;

            case 1:

                str = "FlannBasedMatcher";

                _pDescriptorMatcher = pFlannBasedMatcher;

                break;

            default:

                break;

            }

            cvui::printf(windowMat, width / 4 * 3 + width * 0 - 20, 40 + height * 0, str.c_str());

            cvui::printf(windowMat, 0 + width * 0, 60 + height * 0, "k1x");

            cvui::trackbar(windowMat, 0 + width * 0, 70 + height * 0, 165, &k1x, 0, 100);

            cvui::printf(windowMat, 0 + width * 0, 120 + height * 0, "k1y");

            cvui::trackbar(windowMat, 0 + width * 0, 130 + height * 0, 165, &k1y, 0, 100);

            cvui::printf(windowMat, width / 2 + width * 0, 60 + height * 0, "k2x");

            cvui::trackbar(windowMat, width / 2 + width * 0, 70 + height * 0, 165, &k2x, 0, 100);

            cvui::printf(windowMat, width / 2 + width * 0, 120 + height * 0, "k2y");

            cvui::trackbar(windowMat, width / 2 + width * 0, 130 + height * 0, 165, &k2y, 0, 100);

            cvui::printf(windowMat, 0 + width * 0, 30 + height * 0 + height / 2, "k3x");

            cvui::trackbar(windowMat, 0 + width * 0, 40 + height * 0 + height / 2, 165, &k3x, 0, 100);

            cvui::printf(windowMat, 0 + width * 0, 90 + height * 0 + height / 2, "k3y");

            cvui::trackbar(windowMat, 0 + width * 0, 100 + height * 0 + height / 2, 165, &k3y, 0, 100);

            cvui::printf(windowMat, width / 2 + width * 0, 30 + height * 0 + height / 2, "k4x");

            cvui::trackbar(windowMat, width / 2 + width * 0, 40 + height * 0 + height / 2, 165, &k4x, 0, 100);

            cvui::printf(windowMat, width / 2 + width * 0, 90 + height * 0 + height / 2, "k4y");

            cvui::trackbar(windowMat, width / 2 + width * 0, 100 + height * 0 + height / 2, 165, &k4y, 0, 100);

            if( k1xOld != k1x || k1yOld != k1y

             || k2xOld != k2x || k2yOld != k2y

             || k3xOld != k3x || k3yOld != k3y

             || k4xOld != k4x || k4yOld != k4y

             || typeOld != type || findTypeOld != findType)

            {

                typeOld = type;

                findTypeOld = findType;

                moveFlag = true;

            }

            std::vector<cv::Point2f> srcPoints;

            std::vector<cv::Point2f> dstPoints;

            srcPoints.push_back(cv::Point2f(0.0f, 0.0f));

            srcPoints.push_back(cv::Point2f(srcMat.cols - 1, 0.0f));

            srcPoints.push_back(cv::Point2f(srcMat.cols - 1, srcMat.rows - 1));

            srcPoints.push_back(cv::Point2f(0.0f, srcMat.rows - 1));

            dstPoints.push_back(cv::Point2f(srcMat.cols * k1x / 100.0f, srcMat.rows * k1y / 100.0f));

            dstPoints.push_back(cv::Point2f(srcMat.cols * k2x / 100.0f, srcMat.rows * k2y / 100.0f));

            dstPoints.push_back(cv::Point2f(srcMat.cols * k3x / 100.0f, srcMat.rows * k3y / 100.0f));

            dstPoints.push_back(cv::Point2f(srcMat.cols * k4x / 100.0f, srcMat.rows * k4y / 100.0f));

            cv::Mat M = cv::getPerspectiveTransform(srcPoints, dstPoints);

            cv::Mat srcMat2;

            cv::warpPerspective(srcMat3,

                                srcMat2,

                                M,

                                cv::Size(srcMat.cols, srcMat.rows),

                                cv::INTER_LINEAR,

                                cv::BORDER_CONSTANT,

                                cv::Scalar::all(0));

            mat = windowMat(cv::Range(srcMat.rows * 0, srcMat.rows * 1),

                            cv::Range(srcMat.cols * 1, srcMat.cols * 2));

            cv::addWeighted(mat, 0.0f, srcMat2, 1.0f, 0.0f, mat);

            if(moveFlag)

            {

                moveFlag = false;

                //特征点检测

    //           _pSift->detect(srcMat, keyPoints1);

                _pFeature2D->detectAndCompute(srcMat, cv::Mat(), keyPoints1, descriptor1);

                //绘制特征点(关键点)

                cv::Mat resultShowMat;

                cv::drawKeypoints(srcMat,

                                  keyPoints1,

                                  resultShowMat,

                                  cv::Scalar(0, 0, 255),

                                  cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS);

                mat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),

                                cv::Range(srcMat.cols * 0, srcMat.cols * 1));

                cv::addWeighted(mat, 0.0f, resultShowMat, 1.0f, 0.0f, mat);

                //特征点检测

    //            _pSift->detect(srcMat2, keyPoints2);

                _pFeature2D->detectAndCompute(srcMat2, cv::Mat(), keyPoints2, descriptor2);

                //绘制特征点(关键点)

                cv::Mat resultShowMat2;

                cv::drawKeypoints(srcMat2,

                                  keyPoints2,

                                  resultShowMat2,

                                  cv::Scalar(0, 0, 255),

                                  cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS);

                mat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),

                                cv::Range(srcMat.cols * 1, srcMat.cols * 2));

                cv::addWeighted(mat, 0.0f, resultShowMat2, 1.0f, 0.0f, mat);

                // FlannBasedMatcher最近邻匹配

                _pDescriptorMatcher->match(descriptor1, descriptor2, listDMatch);

                // drawMatch绘制出来，并排显示了，高度一样，宽度累加（因为两个宽度相同，所以是两倍了）

                cv::Mat matchesMat;

                cv::drawMatches(srcMat,

                                keyPoints1,

                                srcMat2,

                                keyPoints2,

                                listDMatch,

                                matchesMat);

                mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),

                                cv::Range(srcMat.cols * 0, srcMat.cols * 2));

                cv::addWeighted(mat, 0.0f, matchesMat, 1.0f, 0.0f, mat);

                // 定义两个局部变量

                std::vector<cv::Point2f> obj;

                std::vector<cv::Point2f> scene;

                // 从匹配成功的匹配对中获取关键点

                for(int index = 0; index < listDMatch.size(); index++)

                {

                    obj.push_back(keyPoints1[listDMatch[index].queryIdx].pt);

                    scene.push_back(keyPoints2[listDMatch[index].trainIdx].pt);

                }

                // 计算透视变换

                cv::Mat H = cv::findHomography(obj, scene, CV_RANSAC);

                // 从待测图片中获取角点

                obj_corners[0] = cv::Point2f(0,0);

                obj_corners[1] = cv::Point2f(srcMat.cols,0);

                obj_corners[2] = cv::Point2f(srcMat.cols, srcMat.rows);

                obj_corners[3] = cv::Point2f(0, srcMat.rows);

                // 进行透视变换

                cv::perspectiveTransform(obj_corners, scene_corners, H);

            }

            // 绘制出角点之间的线

            qDebug() << __FILE__ << __LINE__

                     << scene_corners[0].x

                     << scene_corners[0].y

                     << scene_corners[1].x

                     << scene_corners[1].y;

            cv::line(windowMat,

                     scene_corners[0] + cv::Point2f(srcMat.cols * 1, srcMat.rows * 0),

                     scene_corners[1] + cv::Point2f(srcMat.cols * 1, srcMat.rows * 0),

                     cv::Scalar(0, 0, 255), 2);

            cv::line(windowMat,

                     scene_corners[1] + cv::Point2f(srcMat.cols * 1, srcMat.rows * 0),

                     scene_corners[2] + cv::Point2f(srcMat.cols * 1, srcMat.rows * 0),

                     cv::Scalar(0, 0, 255), 2);

            cv::line(windowMat,

                     scene_corners[2] + cv::Point2f(srcMat.cols * 1, srcMat.rows * 0),

                     scene_corners[3] + cv::Point2f(srcMat.cols * 1, srcMat.rows * 0),

                     cv::Scalar(0, 0, 255), 2);

            cv::line(windowMat,

                     scene_corners[3] + cv::Point2f(srcMat.cols * 1, srcMat.rows * 0),

                     scene_corners[0] + cv::Point2f(srcMat.cols * 1, srcMat.rows * 0),

                     cv::Scalar(0, 0, 255), 2);

        }

        cv::imshow(windowName, windowMat);

        // 更新

        cvui::update();

        // 显示

        // esc键退出

        if(cv::waitKey(25) == 27)

        {

            break;

        }

    }

}

工程模板：对应版本号v1.63.0

对应版本号v1.63.0

上一篇：《OpenCV开发笔记（六十八）：红胖子8分钟带你使用特征点Flann最邻近差值匹配识别（图文并茂+浅显易懂+程序源码）》
下一篇：持续补充中…

OpenCV开发笔记（六十九）：红胖子8分钟带你使用传统方法识别已知物体（图文并茂+浅显易懂+程序源码）

OpenCV开发专栏（点击传送门）

前言

Demo

寻找已知物体

本篇章使用sift/surf特征点

sift特征点

surf特征点

本篇章使用暴力、最邻近差值匹配

暴力匹配

最近邻差值匹配

概述

特征点集合计算变换矩阵函数原型

矩阵变换函数原型

Demo源码

工程模板：对应版本号v1.63.0

OpenCV开发笔记（六十九）：红胖子8分钟带你使用传统方法识别已知物体（图文并茂+浅显易懂+程序源码）的相关教程结束。

相关推荐

unity ugui Toggle Group详解(Chinar出品、简单易懂)

理论+实操，带你了解多沙箱容器运行时Kuasar

8张图带你全面了解kafka的核心机制

从环境搭建到回归神经网络案例，带你掌握Keras

Qt在Windows下的三种编程环境搭建（图文并茂，非常清楚）good

详解事务模式和Lua脚本，带你吃透Redis 事务

万字长文，带你彻底搞懂 HTTPS（文末附实战）

【转载】通俗易懂，什么是.NET?什么是.NET Framework？什么是.NET Core?