點擊上方藍字關注我們

微信公眾號：OpenCV學堂

關注獲取更多計算機視覺與深度學習知識

單應性矩陣計算函數與應用

OpenCV在通過特征描述子完成描述子匹配之后，會得到一些關鍵點對，我們會把這些關鍵點對分別添加到兩個vector對象中，作為輸入參數，調用單應性矩陣發現函數來發現一個變換矩陣H，函數?findHomography?就完成了這樣的功能，常見的調用代碼如下：

1//--?Localize?the?object
2std::vector?obj_pts; 3std::vector?scene_pts; 4for?(size_t?i?=?0;?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，我們就可以根據輸入圖像四點坐標，從場景圖像上得到特征匹配圖像的四點坐標，代碼實現如下：

1//--?Get?the?corners?from?the?image_1?(?the?object?to?be?"detected"?)
2std::vector?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?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，獲得坐標以后就可以繪制對應的矩形，從而在場景圖像中繪制對象的外接矩形區域。運行結果如下：

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

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)

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

• 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：該參數只有在method參數為RANSAC與RHO的時啟用，默認為3mask：遮罩，當method方法為RANSAC 或 LMEDS可用maxIters：最大迭代次數，當使用RANSAC方法confidence：置信參數，默認為0.995

單應性矩陣H發現方法

首先簡單的解釋一下H的作用，假設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)，現在我們需要在兩者之間建立一種視圖變換關系(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，需要兩個點對集合，就是findHomography函數中前兩個輸入參數，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才是比較穩定的方式。

01

最小二乘擬合

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，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，直到兩次錯誤差值滿足要求閾值為止。

02

RANSAC

最小二乘方法在描述子匹配輸出的點對質量很好，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、噪聲導致像素遷移，從而產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，它會從給定的數據中隨機選取一部分進行模型參數計算，然后使用全部點對進行計算結果評價，不斷迭代，直到選取的數據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：

選擇求解模型要求的最少要求的隨機點對

根據選擇隨機點對求解/擬合模型得到參數

根據模型參數，對所有點對做評估，分為outlier跟inlier

如果所有inlier的數目超過預定義的閾值，則使用所有inlier重新評估模型參數，停止迭代

如果不符合條件則繼續1~4循環。

通常迭代次數N會選擇一個比較高的值，OpenCV中默認迭代次數為200，確保有一個隨機選擇點對不會有outlier數據，

03

PROSAC(RHO)

注意有時候RANSAC方法不會收斂，導致圖像對齊或者配準失敗，原因在于RANSAC是一種全隨機的數據選取方式，完全沒有考慮到數據質量不同。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，對所有點對進行質量評價計算Q值，然后根據Q值降序排列，每次只在高質量點對中經驗模型假設與驗證，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果。OpenCV中的RHO方法就是基于PROSAC估算。

04

LMEDS

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據是圖像，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據，所以采用最小中值方法可以更好實現擬合，排除outlier數據。但是它是對高斯噪聲敏感算法。它的最主要步驟描述如下：

隨機選取很多個子集從整個數據集中

根據各個子集數據計算參數模型

使用計算出來的參數對整個數據集計算中值平方殘差

最終最小殘差所對應的參數即為擬合參數。

05

對比測試

最后看一下OpenCV中使用單應性矩陣發現對相同的特征點對，分別使用RANSAC、PROSAC、LMEDS進行參數矩陣H的求解結果對比，顯示如下：

總數446個匹配點對，三種評估方式生成的H矩陣(3x3)很明顯值都不盡相同。

一般情況下在，推薦大家使用RANSAC或者RHO。默認的0表示最小二乘方法，對圖像匹配在實際應用中一般都是翻車！LMEDS方法只有在inlier超過50%以上情況下才會擬合生成比較好的H參數，而RANSAC或者RHO不管outlier跟inlier比率是多少都會可以適用，可以大家也都注意到h33總是等于1，因為h33在這里作用是保持標準化尺度。在OpenCV中如果無法正確估算參數H，會返回空Mat對象。

單應性矩陣應用

圖像透視變換與對象匹配

圖像拼接

最后的話

我在2019年的文章匯總中說，2020年少寫廢話，但愿此篇不是廢話，我為了寫好它也是傷神很久，算是自己盡力了，也是回答了平時一些人總問我的問題，歡迎大家指正與反饋！如果覺得不錯，點個贊我就很滿足了！

讀書欲精不欲博

用心欲專不欲雜

?推薦閱讀?

?2019原創技術文章匯總

2018年原創技術文章匯總

OpenCV實戰 | 噪聲生成與圖像加噪聲

OpenCV4系統化學習路線圖-視頻版本！

總結

以上是生活随笔為你收集整理的opencv求两张图像光流_OpenCV单应性矩阵发现参数估算方法详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。