本文共 3006 字，大约阅读时间需要 10 分钟。

作为一个视觉SLAM的入门学徒，我看完了高翔的书，学习了视频，也在自己的电脑上运行了一遍代码。但是感觉学习内容还是有些空洞，像是在走过场一样。于是，我决定真正从代码入手，尽管自己对编程基础较为薄弱。

特征点提取是整个程序的基础，通常作为一个封装好的函数来调用。所以我决定先从这个基础程序开始学习。

特征点提取的目的与步骤

特征点的提取目的是在每张图像中找到“区分度较高”的像素点，这里的“区分度较高”具体指的是FAST角点。FAST角点是一种在图像中能够有效地区分不同区域的点。

从代码注释来看，特征点提取的步骤基本上可以分为以下几个部分：

代码解读与理解

接下来，我开始逐行分析代码。

#include 
   
    
#include 
    
     
#include 
     
      
#include 
      
       
using namespace std; using namespace cv;
      
     
    
   

这些是OpenCV的基本头文件包含，using namespace std; using namespace cv;使代码更简洁易读。

int main ( int argc, char** argv ){
    if ( argc != 3 ) {
        cout << "usage: feature_extraction img1 img2" << endl;
        return 1;
    }

程序需要三个参数：两个图像文件名和一个输出窗口名。参数个数检查后，继续执行。

Mat img_1 = imread ( argv[1], CV_LOAD_IMAGE_COLOR );
Mat img_2 = imread ( argv[2], CV_LOAD_IMAGE_COLOR );

使用imread函数读取两张图像，CV_LOAD_IMAGE_COLOR表示读取彩色图像。

vector
   
     keypoints_1, keypoints_2;
Mat descriptors_1, descriptors_2;
Ptr
    
      detector = ORB::create();
Ptr
     
       descriptor = ORB::create();
Ptr
      
        matcher = DescriptorMatcher::create ("BruteForce-Hamming");
      
     
    
   

定义了两个向量keypoints_1和keypoints_2，以及用于存储描述子的矩阵descriptors_1和descriptors_2。创建了ORB特征检测器和描述子提取器，以及匹配器。

detector->detect ( img_1, keypoints_1 );
detector->detect ( img_2, keypoints_2 );

使用detect方法分别在两张图像中检测出FAST角点，并存储到keypoints_1和keypoints_2中。

descriptor->compute ( img_1, keypoints_1, descriptors_1 );
descriptor->compute ( img_2, keypoints_2, descriptors_2 );

计算每个角点的BRIEF描述子，并存储到descriptors_1和descriptors_2中。

Mat outimg1;
drawKeypoints( img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT );
imshow("ORB特征点", outimg1);

绘制图像img_1中的特征点，并显示窗口。

vector
   
     matches;
matcher->match ( descriptors_1, descriptors_2, matches );
   

使用BFMatcher对描述子进行匹配，存储匹配结果。

double min_dist = 10000, max_dist = 0;
for ( int i = 0; i < descriptors_1.rows; i++ ) {
    double dist = matches[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 );

计算特征点匹配的最小距离和最大距离，并输出结果。

std::vector
   
     good_matches;
for ( int i = 0; i < descriptors_1.rows; i++ ) {
    if ( matches[i].distance <= max ( 2*min_dist, 30.0 ) ) {
        good_matches.push_back ( matches[i] );
    }
}
   

筛选匹配距离在一定范围内的点对，存储到good_matches中。

Mat img_match;
drawMatches ( img_1, keypoints_1, img_2, keypoints_2, matches, img_match );
imshow ( "所有匹配点对", img_match );
imshow ( "优化后匹配点对", img_goodmatch );
waitKey(0);
return 0;

绘制所有匹配点对和优化后的匹配点对，并显示窗口。

代码运行与理解

通过上述代码，可以实现以下功能：

总结与展望

通过学习和分析上述代码，我对特征点提取有了更深入的理解。虽然代码基础较弱，但通过不断的学习和实践，相信自己能够逐步掌握视觉SLAM相关技术。

转载地址：http://xpaq.baihongyu.com/