單應(yīng)性矩陣計(jì)算函數(shù)與應(yīng)用

OpenCV在通過特征描述子完成描述子匹配之后，會(huì)得到一些關(guān)鍵點(diǎn)對(duì)，我們會(huì)把這些關(guān)鍵點(diǎn)對(duì)分別添加到兩個(gè)vector對(duì)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(gè)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//--Localizetheobject
 2std::vectorobj_pts;
 3std::vectorscene_pts;
 4for(size_ti=0;i 5{
 6//--Getthekeypointsfromthegoodmatches
 7obj_pts.push_back(keypoints_obj[goodMatches[i].queryIdx].pt);
 8scene_pts.push_back(keypoints_sence[goodMatches[i].trainIdx].pt);
 9}
10MatH=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(diǎn)坐標(biāo)，從場(chǎng)景圖像上得到特征匹配圖像的四點(diǎn)坐標(biāo)，代碼實(shí)現(xiàn)如下：

1//--Getthecornersfromtheimage_1(theobjecttobe"detected")
2std::vectorobj_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::vectorscene_corners(4);
6perspectiveTransform(obj_corners,scene_corners,H);

其中scene_corners為對(duì)象在場(chǎng)景圖像中的四點(diǎn)坐標(biāo)，獲得坐標(biāo)以后就可以繪制對(duì)應(yīng)的矩形，從而在場(chǎng)景圖像中繪制對(duì)象的外接矩形區(qū)域。運(yùn)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(jì)算，這里我們首先來看一下該函數(shù)與其各個(gè)參數(shù)解釋：

1Matcv::findHomography(
2InputArraysrcPoints,
3InputArraydstPoints,
4intmethod=0,
5doubleransacReprojThreshold=3,
6OutputArraymask=noArray(),
7constintmaxIters=2000,
8constdoubleconfidence=0.995
9)

參數(shù)解釋如下：
srcPoints:特征點(diǎn)集合，一般是來自目標(biāo)圖像
dstPoints:特征點(diǎn)集合，一般是來自場(chǎng)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(xì)說)

• 0 – 使用所有的點(diǎn)，比如最小二乘

• RANSAC – 基于隨機(jī)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(shí)啟用，默認(rèn)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(rèn)為0.995

單應(yīng)性矩陣H發(fā)現(xiàn)方法

首先簡(jiǎn)單的解釋一下H的作用，假設(shè)在特征匹配或者對(duì)齊，視頻移動(dòng)估算中有兩張圖像image1與image2，image1上有特征點(diǎn)(x1,y1)匹配image2上的特征點(diǎn)(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(gè)3x3的矩陣

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

01

最小二乘擬合

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

基于過約束方程計(jì)算得到錯(cuò)誤，反向傳播不斷更新參數(shù)，直到兩次錯(cuò)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(diǎn)對(duì)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(shí)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(diǎn)對(duì)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(diǎn)對(duì)，使用合法的點(diǎn)對(duì)得到最終的變換矩陣H。RANSAC算法基本思想是，它會(huì)從給定的數(shù)據(jù)中隨機(jī)選取一部分進(jìn)行模型參數(shù)計(jì)算，然后使用全部點(diǎn)對(duì)進(jìn)行計(jì)算結(jié)果評(píng)價(jià)，不斷迭代，直到選取的數(shù)據(jù)計(jì)算出來的錯(cuò)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(jī)點(diǎn)對(duì)

2. 根據(jù)選擇隨機(jī)點(diǎn)對(duì)求解/擬合模型得到參數(shù)

3. 根據(jù)模型參數(shù)，對(duì)所有點(diǎn)對(duì)做評(píng)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(píng)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(huì)選擇一個(gè)比較高的值，OpenCV中默認(rèn)迭代次數(shù)為200，確保有一個(gè)隨機(jī)選擇點(diǎn)對(duì)不會(huì)有outlier數(shù)據(jù)，

03

PROSAC(RHO)

注意有時(shí)候RANSAC方法不會(huì)收斂，導(dǎo)致圖像對(duì)齊或者配準(zhǔn)失敗，原因在于RANSAC是一種全隨機(jī)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(duì)RANSAC算法的改進(jìn)算法就是PROSAC(Progressive Sampling Consensus)即漸近樣本一致性，該方法采用半隨機(jī)方法，對(duì)所有點(diǎn)對(duì)進(jìn)行質(zhì)量評(píng)價(jià)計(jì)算Q值，然后根據(jù)Q值降序排列，每次只在高質(zhì)量點(diǎn)對(duì)中經(jīng)驗(yàn)?zāi)Ｐ图僭O(shè)與驗(yàn)證，這樣就大大降低了計(jì)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。

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(jìn)，原因在于計(jì)算機(jī)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(shí)現(xiàn)擬合，排除outlier數(shù)據(jù)。但是它是對(duì)高斯噪聲敏感算法。它的最主要步驟描述如下：

1. 隨機(jī)選取很多個(gè)子集從整個(gè)數(shù)據(jù)集中

2. 根據(jù)各個(gè)子集數(shù)據(jù)計(jì)算參數(shù)模型

3. 使用計(jì)算出來的參數(shù)對(duì)整個(gè)數(shù)據(jù)集計(jì)算中值平方殘差

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

05

對(duì)比測(cè)試

最后看一下OpenCV中使用單應(yīng)性矩陣發(fā)現(xiàn)對(duì)相同的特征點(diǎn)對(duì)，分別使用RANSAC、PROSAC、LMEDS進(jìn)行參數(shù)矩陣H的求解結(jié)果對(duì)比，顯示如下：

總數(shù)446個(gè)匹配點(diǎn)對(duì)，三種評(píng)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(rèn)的0表示最小二乘方法，對(duì)圖像匹配在實(shí)際應(yīng)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(huì)擬合生成比較好的H參數(shù)，而RANSAC或者RHO不管outlier跟inlier比率是多少都會(huì)可以適用，可以大家也都注意到h33總是等于1，因?yàn)閔33在這里作用是保持標(biāo)準(zhǔn)化尺度。在OpenCV中如果無法正確估算參數(shù)H，會(huì)返回空Mat對(duì)象。

單應(yīng)性矩陣應(yīng)用

圖像透視變換與對(duì)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(shí)一些人總問我的問題，歡迎大家指正與反饋！如果覺得不錯(cuò)，點(diǎn)個(gè)贊我就很滿足了！