import cv2 as cv def ORB_Feature(img1, img2): # 初始化ORB orb = cv.ORB_create() # 寻找关键点 kp1 = orb.detect(img1) kp2 = orb.detect(img2) # 计算描述符 kp1, des1 = orb.compute(img1, kp1) kp2, des2 = orb.compute(img2, kp2) # 画出关键点 outimg1 = cv.drawKeypoints(img1, keypoints=kp1, outImage=None) outimg2 = cv.drawKeypoints(img2, keypoints=kp2, outImage=None)

基于特征匹配的全景图像拼接PPT课件.pptx

基于波形特征匹配延拓的EMD改进方法及其应用研究，吴宝，，基于（Empirical Mode Decomposition, EMD）的时频分析方法是一种新型时频分析方法，能够有效地实现对非线性、非平稳信号的分析及特征提取。

针对车载侦察系统视频稳像精度要求较高的情况，提出一种基于边缘图像配准的高精度电子稳像方法。该方法采用相位一致性作为不变度量来同时检测图像的角点和边缘特征；利用匹配点对引导边缘匹配，并筛选适量分布均匀的匹配点对求取初始全局进行运动估计；改进粒子滤波以对边缘图像进行配准来获得精确全局运动参数，进一步提高了稳像精度。实验结果表明，所提出方法的平移配准误差(Δx= 0.210,Δy=-0.013)远小于一个像素，满足了车载侦察系统对电子稳像技术的实时性及高精度要求。

一种基于特征匹配的鲁棒性稳像算法： (1)为保证稳像系统的鲁棒性，算法在进行特征匹配时融入亮度变化自适应模型并利用特征匹配误差分析和运动一致性原则对特征初步匹配结果作有效性验证 以提高算法对光线变化和局部运动物体的鲁棒性。 (2)为提高稳像系统的智能性，提出一种基十特征集合匹配关系的抖动检测方法。该方法通过对帧间运动参数进行分析确定视频是否有抖动发生，进Ifu确定是否需要做进一步的运动补偿处理，从}fu避免在视频没有发生抖动时产生由补偿引起的系统效率下降。 (3)在以上研究工作的基础上，成功开发一套数字图像稳定系统，该系统在拍摄场景具有一定的纹理信息时，即使场景中发生光线变化和存在产生局部运动的前景物体时，仍具有较好的稳像效果。

一个研究生的毕业论文，基于SIFT特征匹配的视频稳像算法研究，结构清晰

提取RGB图像上的线特征，并根据线特征间的相似性，输出两幅图像上的匹配线对。

在进行图像特征匹配后，通常会产生大量的误匹配点，一般通过RANSAC算法去除误匹配点，但是经RANSAC算法处理后可能还会存在部分误匹配点，若要计算误匹配剔除后的匹配正确率，则需统计其正确和错误匹配点的个数，本资源提供了一种方法进行粗略统计，筛选出误匹配剔除后存在的误匹配点，并通过python进行了实现。

C 特征匹配源码，都是一些特征匹配类文件，在开发的时候用得上，基于opencv的特征匹配，用的算法是sift，包含大部分源代码，懂得的朋友按照文件加载即可使用。

基于视觉的室内场景定位与建图（VSLAM）在智能设备自主定位与导航领域内扮演着极为重要的作用，但是当前主流算法的回环检测及重定位环节上在动态光照情况下存在匹配丢失，严重影响定位累计误差的修正与建图精度。因此提出了基于一种改进的点云特征提取与匹配的定位方法，将由RGB图像得到的点云通过聚类的方法分割成一个个稳定区域，并建立基于面片特性及相互空间关系的场景特征描述，最后通过该特征描述进行两帧图像的数据关联及相机的定位，利用更具有鲁棒性的区域特征提取方法克服光照变化情况下的视觉定位不足问题。实验证明提出的方法不仅可以适应动态光照环境，而且定位效果优于目前主流的基于图像点特征的定位算法。