OpenCV 入门到精通 09】特征检测与匹配:从 Harris 到 ORB 图像配准

【OpenCV 入门到精通 09】特征检测与匹配:从 Harris 到 ORB 图像配准

标签 :OpenCV 特征检测 ORB SIFT 特征匹配 Harris

难度 :⭐⭐⭐ | 阅读时长 :约 70 分钟 | 系列 :第 09/12 集

前置 :08 边缘与轮廓 | 下一集 :10 视频分析


写在前面

「怎么判断两张图是不是同一个场景?」「怎么把一张小图贴到另一张大图的正确位置?」答案在于 特征点 ------图像中稳定、可区分的「关键点」。本集对应官方 第5章 特征检测与描述。


本集学习目标

  • 理解特征点与描述子的概念
  • 使用 Harris 角点和 ORB 特征检测
  • 进行特征匹配和单应性变换
  • 完成图像拼接/物体查找实战

文章目录

  • [【OpenCV 入门到精通 09】特征检测与匹配:从 Harris 到 ORB 图像配准](#【OpenCV 入门到精通 09】特征检测与匹配:从 Harris 到 ORB 图像配准)
    • 写在前面
    • 本集学习目标
    • [9.1 什么是特征](#9.1 什么是特征)
    • [9.2 Harris 角点检测](#9.2 Harris 角点检测)
    • [9.3 ORB 特征检测](#9.3 ORB 特征检测)
    • [9.4 特征匹配](#9.4 特征匹配)
    • [9.5 单应性变换与物体查找](#9.5 单应性变换与物体查找)
    • [9.6 特征算法对比](#9.6 特征算法对比)
    • [9.7 踩坑指南](#9.7 踩坑指南)
    • [9.8 本集小结](#9.8 本集小结)

9.1 什么是特征

好的特征应具备

特性 说明
可重复性 同一位置在不同条件下能检测到
独特性 能与其他区域区分
局部性 对遮挡有一定鲁棒性
可量化 可用描述子向量表示

特征 = 关键点 + 描述子

复制代码
关键点 (KeyPoint):  位置 (x,y)、尺度、方向
描述子 (Descriptor):  128/256/512 维向量,描述周围像素模式

9.2 Harris 角点检测

python 复制代码
import cv2
import numpy as np

img = cv2.imread("chessboard.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)

# Harris 角点
dst = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)
dst = cv2.dilate(dst, None)
img[dst > 0.01 * dst.max()] = [0, 0, 255]  # 红色标记角点

cv2.imshow("Harris", img)
cv2.waitKey(0)
参数 说明
blockSize 邻域大小
ksize Sobel 核大小
k Harris 参数,通常 0.04~0.06

9.3 ORB 特征检测

ORB = Oriented FAST and Rotated BRIEF,免费开源,速度快。

SIFT/SURF 需 opencv-contrib-python;ORB 在标准版即可用。

python 复制代码
import cv2

img = cv2.imread("scene.jpg", 0)
orb = cv2.ORB_create(nfeatures=500)

keypoints, descriptors = orb.detectAndCompute(img, None)

# 绘制关键点
img_kp = cv2.drawKeypoints(img, keypoints, None, color=(0,255,0),
                            flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow("ORB", img_kp)
cv2.waitKey(0)
python 复制代码
# SIFT(需 contrib 版)
sift = cv2.SIFT_create()
kp, des = sift.detectAndCompute(img, None)

9.4 特征匹配

python 复制代码
import cv2

img1 = cv2.imread("object.jpg", 0)
img2 = cv2.imread("scene.jpg", 0)

orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)

# BF 暴力匹配
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)

# 绘制前 20 个最佳匹配
img_match = cv2.drawMatches(img1, kp1, img2, kp2, matches[:20], None,
                             flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
cv2.imshow("Matches", img_match)
cv2.waitKey(0)

匹配器选择

匹配器 距离度量 适用
BFMatcher + HAMMING 汉明距离 ORB, BRIEF
BFMatcher + L2 欧氏距离 SIFT, SURF
FlannBasedMatcher 近似最近邻 大量特征时更快

比率测试(过滤差匹配)

python 复制代码
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)
good = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good.append(m)

9.5 单应性变换与物体查找

在场景图中定位模板物体:

python 复制代码
import cv2
import numpy as np

MIN_MATCH = 10

if len(good) > MIN_MATCH:
    src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2)
    dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2)

    # 计算单应性矩阵
    M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

    h, w = img1.shape
    pts = np.float32([[0,0],[0,h-1],[w-1,h-1],[w-1,0]]).reshape(-1,1,2)
    dst = cv2.perspectiveTransform(pts, M)

    scene_color = cv2.imread("scene.jpg")
    cv2.polylines(scene_color, [np.int32(dst)], True, (0,255,0), 3)
    cv2.imshow("Found", scene_color)
    cv2.waitKey(0)

9.6 特征算法对比

算法 速度 精度 专利 包
Harris 快 中 无 标准
FAST 很快 中 无 标准/contrib
ORB 快 较好 无 标准
BRIEF 很快 中 无 contrib
SIFT 慢 高 已过期 contrib
SURF 中 高 已过期 contrib

💡 推荐:学习用 ORB;高精度用 SIFT(contrib)。


9.7 踩坑指南

坑 解决
SIFT 找不到 安装 opencv-contrib-python
匹配太少 增加 nfeatures;换更好的图
findHomography 失败 确保 good matches > 10
描述子为 None 图像太简单,无特征点

9.8 本集小结

步骤 API
检测 ORB_create().detectAndCompute()
匹配 BFMatcher().match() / knnMatch()
筛选 比率测试 0.75
定位 findHomography() + perspectiveTransform()

← 第08集 第10集:视频分析 →

参考:5_1 理解特征 | 5_8 ORB | 5_10 单应性

相关推荐
RobinDevNotes5 小时前
Claude Code 剪视频,不上传、不要 API Key
人工智能·python·音视频·开发工具·ipython
stormzhangV5 小时前
Coding Agent,通往 AGI 的重要一环
人工智能·agent·ai编程
孟健6 小时前
用T3 Code手机远程控制Claude Code完成周报总结实测
开源·ai编程·claude
Bowen_J6 小时前
Apple Foundation Models:Apple AI核心框架
人工智能·ai编程·apple
IT_陈寒6 小时前
Redis那个过期删除策略,差点让我线上崩了
前端·人工智能·后端
阿里云大数据AI技术7 小时前
AI 原生大数据服务 ADA 快速入门:完成首次对话式数据分析
大数据·人工智能
字节跳动开源7 小时前
小红书/抖音图文排版利器——一个杂志风skill
人工智能·开源·设计
Bacon7 小时前
我把 Codex 塞进了 Touch Bar:一个 30pt 高的额度与对话面板
人工智能
衡石科技7 小时前
企业级 BI 的安全治理:衡石如何贯通认证、数据权限与审计
大数据·人工智能·安全·商业智能
网易云信8 小时前
折叠屏适配,iPhone Duo 真机已交付:网易云信 IMUIKit Swift 的实践
人工智能