點擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時間送達

OpenCV在通過特征描述子完成描述子匹配之后，會得到一些關(guān)鍵點對，我們會把這些關(guān)鍵點對分別添加到兩個vector對象中，作為輸入?yún)?shù)，調(diào)用單應(yīng)性矩陣發(fā)現(xiàn)函數(shù)來發(fā)現(xiàn)一個變換矩陣H，函數(shù) findHomography 就完成了這樣的功能，常見的調(diào)用代碼如下：

 1//-- Localize the object
 2std::vector<Point2f> obj_pts;
 3std::vector<Point2f> scene_pts;
 4for (size_t i = 0; i < goodMatches.size(); i++)
 5{
 6         //-- Get the keypoints from the good matches
 7         obj_pts.push_back(keypoints_obj[goodMatches[i].queryIdx].pt);
 8         scene_pts.push_back(keypoints_sence[goodMatches[i].trainIdx].pt);
 9}
10Mat H = findHomography(obj_pts, scene_pts, RHO);

有了變換矩陣H之后，我們就可以根據(jù)輸入圖像四點坐標(biāo)，從場景圖像上得到特征匹配圖像的四點坐標(biāo)，代碼實現(xiàn)如下：

1//-- Get the corners from the image_1 ( the object to be "detected" )
2std::vector<Point2f> obj_corners(4);
3obj_corners[0] = Point(0, 0); obj_corners[1] = Point(box.cols, 0);
4obj_corners[2] = Point(box.cols, box.rows); obj_corners[3] = Point(0, box.rows);
5std::vector<Point2f> scene_corners(4);
6perspectiveTransform(obj_corners, scene_corners, H);

其中scene_corners為對象在場景圖像中的四點坐標(biāo)，獲得坐標(biāo)以后就可以繪制對應(yīng)的矩形，從而在場景圖像中繪制對象的外接矩形區(qū)域。運行結(jié)果如下：

上述步驟中最重要的就是單應(yīng)性矩陣H的計算，這里我們首先來看一下該函數(shù)與其各個參數(shù)解釋：

1Mat cv::findHomography       (       
2     InputArray      srcPoints,
3     InputArray      dstPoints,
4     int   method = 0,
5     double    ransacReprojThreshold = 3,
6     OutputArray   mask = noArray(),
7     const int         maxIters = 2000,
8     const double  confidence = 0.995
9)

參數(shù)解釋如下：
srcPoints:特征點集合，一般是來自目標(biāo)圖像
dstPoints:特征點集合，一般是來自場景圖像
method:表示使用哪種配準(zhǔn)方法，支持有四種方法(后續(xù)詳細說)

• 0 – 使用所有的點，比如最小二乘

• RANSAC – 基于隨機樣本一致性

• LMEDS – 最小中值

• RHO –基于漸近樣本一致性

ransacReprojThreshold：該參數(shù)只有在method參數(shù)為RANSAC與RHO的時啟用，默認為3
mask：遮罩，當(dāng)method方法為RANSAC 或 LMEDS可用
maxIters：最大迭代次數(shù)，當(dāng)使用RANSAC方法
confidence：置信參數(shù)，默認為0.995

首先簡單的解釋一下H的作用，假設(shè)在特征匹配或者對齊，視頻移動估算中有兩張圖像image1與image2，image1上有特征點(x1,y1)匹配image2上的特征點(x2,y2)，現(xiàn)在我們需要在兩者之間建立一種視圖變換關(guān)系(透視變換)，圖示如下(圖二)：

其中H是一個3x3的矩陣

這樣為了求出H中的參數(shù)，需要兩個點對集合，就是findHomography函數(shù)中前兩個輸入?yún)?shù)，理想情況下，通過特征提取得到特征點會再下一幀或者場景圖像中保持不變，但是實際情況下，收到各種因素的影響，會額外產(chǎn)生很多特征點或者干擾點，如果正確的剔除這些干擾點，得到正確匹配的點，利用正確匹配點計算出H才是比較穩(wěn)定的方式。

很明顯，圖二所示的是一個過約束問題，如果沒有干擾點的話，就可以通過最小二乘進行直接擬合，求的參數(shù)，其中錯誤計算如下：

基于過約束方程計算得到錯誤，反向傳播不斷更新參數(shù)，直到兩次錯誤差值滿足要求閾值為止。

最小二乘方法在描述子匹配輸出的點對質(zhì)量很好，理想情況下是圖像沒有噪聲污染與像素遷移與光線恒定，但是實際情況下圖像特別容易受到光線、噪聲導(dǎo)致像素遷移，從而產(chǎn)生額外的多余描述子匹配，這些點對可以分為outlier跟inlier兩類，基于RANSAC（Random Sample Consensus）可以很好的過濾掉outlier點對，使用合法的點對得到最終的變換矩陣H。RANSAC算法基本思想是，它會從給定的數(shù)據(jù)中隨機選取一部分進行模型參數(shù)計算，然后使用全部點對進行計算結(jié)果評價，不斷迭代，直到選取的數(shù)據(jù)計算出來的錯誤是最小，比如低于0.5%即可，完整的算法流程步驟如下：

1. 選擇求解模型要求的最少要求的隨機點對

2. 根據(jù)選擇隨機點對求解/擬合模型得到參數(shù)

3. 根據(jù)模型參數(shù)，對所有點對做評估，分為outlier跟inlier

4. 如果所有inlier的數(shù)目超過預(yù)定義的閾值，則使用所有inlier重新評估模型參數(shù)，停止迭代

5. 如果不符合條件則繼續(xù)1~4循環(huán)。

通常迭代次數(shù)N會選擇一個比較高的值，OpenCV中默認迭代次數(shù)為200，確保有一個隨機選擇點對不會有outlier數(shù)據(jù)，

注意有時候RANSAC方法不會收斂，導(dǎo)致圖像對齊或者配準(zhǔn)失敗，原因在于RANSAC是一種全隨機的數(shù)據(jù)選取方式，完全沒有考慮到數(shù)據(jù)質(zhì)量不同。對RANSAC算法的改進算法就是PROSAC(Progressive Sampling Consensus)即漸近樣本一致性，該方法采用半隨機方法，對所有點對進行質(zhì)量評價計算Q值，然后根據(jù)Q值降序排列，每次只在高質(zhì)量點對中經(jīng)驗?zāi)Ｐ图僭O(shè)與驗證，這樣就大大降低了計算量，在RANSAC無法收斂的情況下，PROSAC依然可以取得良好的結(jié)果。OpenCV中的RHO方法就是基于PROSAC估算。

最小中值方法擬合，該方法可以看成是最小二乘法的改進，原因在于計算機視覺的輸入數(shù)據(jù)是圖像，一般都是各自噪聲，這種情況下最小二乘往往無法正確擬合數(shù)據(jù)，所以采用最小中值方法可以更好實現(xiàn)擬合，排除outlier數(shù)據(jù)。但是它是對高斯噪聲敏感算法。它的最主要步驟描述如下：

1. 隨機選取很多個子集從整個數(shù)據(jù)集中

2. 根據(jù)各個子集數(shù)據(jù)計算參數(shù)模型

3. 使用計算出來的參數(shù)對整個數(shù)據(jù)集計算中值平方殘差

4. 最終最小殘差所對應(yīng)的參數(shù)即為擬合參數(shù)。