OpenCV發(fā)行版4．5．1包含了BEBLID，這是一個(gè)新的本地特性描述符。opencv4．5．1中最令人興奮的特性之一是BEBLID（Boosted effective Binary Local Image Descriptor），它是一種新的描述符，能夠在減少執(zhí)行時(shí)間的同時(shí)提高圖像匹配精度！本文將向你展示一個(gè)具體的例子，所有源代碼都存儲在此GitHub存儲庫中：https：／／github．com／iago－suarez／beblid－opencv－demo／blob／main／demo．ipynb在這個(gè)例子中，我們將通過一個(gè)視角的改變來匹配這兩個(gè)圖像：

首先，確保安裝了正確版本的OpenCV。

在你喜愛的環(huán)境中，你可以使用以下工具安裝和檢查OpenCV Contrib版本：pip install ＂opencv－contrib－python＞＝4．5．1＂
python
＞＞＞ import cv2 as cv
＞＞＞ print（f＂OpenCV Version： ｛cv．＿＿version＿＿｝＂）
OpenCV Version： 4．5．1
在Python中加載這兩個(gè)圖像所需的代碼是：import cv2 as cv
＃ Load grayscale images
img1 ＝ cv．imread（＂graf1．png＂， cv．IMREAD＿GRAYSCALE）
img2 ＝ cv．imread（＂graf3．png＂， cv．IMREAD＿GRAYSCALE）
if img1 is None or img2 is None：
   print（＇Could not open or find the images�。В�
   exit（0）

為了評估我們的圖像匹配程序，我們需要在兩幅圖像之間進(jìn)行正確的幾何變換。這是一個(gè)稱為單應(yīng)性的3x3矩陣，當(dāng)我們將第一個(gè)圖像中的一個(gè)點(diǎn)（在齊次坐標(biāo)中）相乘時(shí)，它將返回第二個(gè)圖像中該點(diǎn)的坐標(biāo)。讓我們加載它：＃ Load homography （geometric transformation between image）
fs ＝ cv．FileStorage（＂H1to3p．xml＂， cv．FILE＿STORAGE＿READ）
homography ＝ fs．getFirstTopLevelNode（）．mat（）
print（f＂Homography from img1 to img2：｛homography｝＂）

下一步是檢測圖像中容易在其他圖像中找到的部分：局部圖像特征。在這個(gè)例子中，我們將用一個(gè)快速可靠的探測器ORB來檢測角點(diǎn)。ORB通過比較不同尺度下的角點(diǎn)來檢測強(qiáng)角點(diǎn)，并利用FAST或Harris響應(yīng)來選擇最佳的角點(diǎn)，同時(shí)它還使用局部分塊的一階矩來確定每個(gè)角點(diǎn)的方向。允許在每個(gè)圖像中檢測最多10000個(gè)角點(diǎn)：detector ＝ cv．ORB＿create（10000）
kpts1 ＝ detector．detect（img1， None）
kpts2 ＝ detector．detect（img2， None）

在下圖中，你可以看到用綠點(diǎn)標(biāo)記的檢測響應(yīng)最強(qiáng)的500個(gè)角點(diǎn)特征：

現(xiàn)在使用該方式來表示這些關(guān)鍵點(diǎn)，我們可以在另一幅圖中找到它們，這一步稱為描述，因?yàn)槊總�(gè)角點(diǎn)附近的局部分塊中的紋理由來自圖像上不同操作的數(shù)字向量表示（即描述）。有很多描述符，但如果我們想要一些準(zhǔn)確的東西，即使在移動(dòng)電話或低功耗設(shè)備上也能實(shí)時(shí)運(yùn)行，OpenCV有兩種重要的方法：ORB（Oriented FAST and Rotated BRIEF）：一個(gè)經(jīng)典的替代品，已經(jīng)有10年的歷史了，效果相當(dāng)不錯(cuò)。BEBLID（Boosted effective Binary Local Image Descriptor）：2020年推出的一種新的描述符，在多個(gè)任務(wù)中被證明可以提高ORB。由于BEBLID適用于多種檢測方法，因此必須將ORB關(guān)鍵點(diǎn)的比例設(shè)置為0．75～1。＃ Comment or uncomment to use ORB or BEBLID
descriptor ＝ cv．xfeatures2d．BEBLID＿create（0．75）
＃ descriptor ＝ cv．ORB＿create（）
kpts1， desc1 ＝ descriptor．compute（img1， kpts1）
kpts2， desc2 ＝ descriptor．compute（img2， kpts2）

現(xiàn)在是時(shí)候匹配兩幅圖像的描述符來建立對應(yīng)關(guān)系了。讓我們使用暴力算法，基本上比較第一個(gè)圖像中的每個(gè)描述符與第二個(gè)圖像中的所有描述符。當(dāng)我們處理二進(jìn)制描述符時(shí)，比較是用漢明距離來完成的，也就是說，計(jì)算每對描述符之間不同的位數(shù)。這里還使用了一個(gè)稱為比率測試的小技巧，它不僅確保描述符1和2彼此相似，而且沒有其他描述符像2那樣接近1。matcher ＝ cv．DescriptorMatcher＿create（cv．DescriptorMatcher＿BRUTEFORCE＿HAMMING）
nn＿matches ＝ matcher．knnMatch（desc1， desc2， 2）
matched1 ＝ ［］
matched2 ＝ ［］
nn＿match＿ratio ＝ 0．8  ＃ Nearest neighbor matching ratio
for m， n in nn＿matches：
   if m．distance ＜ nn＿match＿ratio ＊ n．distance：
       matched1．a(chǎn)ppend（kpts1［m．queryIdx］）
       matched2．a(chǎn)ppend（kpts2［m．trainIdx］）

因?yàn)槲覀冎�道正確的幾何變換，所以讓我們檢查有多少匹配是正確的（inliers）。如果圖2中的點(diǎn)和從圖1投射到圖2的點(diǎn)距離小于2．5像素，我們將認(rèn)為它是有效的。inliers1 ＝ ［］
inliers2 ＝ ［］
good＿matches ＝ ［］
inlier＿threshold ＝ 2．5  ＃ Distance threshold to identify inliers with homography check
for i， m in enumerate（matched1）：
   ＃ Create the homogeneous point
   col ＝ np．ones（（3， 1）， dtype＝np．float64）
   col［0：2， 0］ ＝ m．pt
   ＃ Project from image 1 to image 2
   col ＝ np．dot（homography， col）
   col ／＝ col［2， 0］
   ＃ Calculate euclidean distance
   dist ＝ sqrt（pow（col［0， 0］ － matched2［i］．pt［0］， 2） ＋ pow（col［1， 0］ － matched2［i］．pt［1］， 2））
   if dist ＜ inlier＿threshold：
       good＿matches．a(chǎn)ppend（cv．DMatch（len（inliers1）， len（inliers2）， 0））
       inliers1．a(chǎn)ppend（matched1［i］）
       inliers2．a(chǎn)ppend（matched2［i］）

現(xiàn)在我們在inliers1和inliers2變量中具有正確的匹配項(xiàng)，我們可以使用cv．drawMatches對結(jié)果進(jìn)行定性評估。每個(gè)對應(yīng)點(diǎn)都可以幫助我們完成更高層次的任務(wù)，例如單應(yīng)性估計(jì)，透視n點(diǎn)，平面跟蹤，實(shí)時(shí)姿態(tài)估計(jì)或圖像拼接。單應(yīng)性估計(jì)：https：／／docs．opencv．org／4．5．1／d9／d0c／group＿＿calib3d．html＃ga4abc2ece9fab9398f2e560d53c8c9780透視n點(diǎn)：https：／／docs．opencv．org／4．5．1／d9／d0c／group＿＿calib3d．html＃ga549c2075fac14829ff4a58bc931c033d平面跟蹤：https：／／docs．opencv．org／4．5．1／dc／d16／tutorial＿akaze＿tracking．html實(shí)時(shí)姿態(tài)估計(jì)：https：／／docs．opencv．org／4．5．1／dc／d2c／tutorial＿real＿time＿pose．html圖像拼接：https：／／docs．opencv．org／4．5．1／df／d8c／group＿＿stitching＿＿match．htmlres ＝ np．empty（（max（img1．shape［0］， img2．shape［0］）， img1．shape［1］ ＋ img2．shape［1］， 3）， dtype＝np．uint8）
cv．drawMatches（img1， inliers1， img2， inliers2， good＿matches， res）
plt．figure（figsize＝（15， 5））
plt．imshow（res）

由于很難比較這種定性的結(jié)果，所以我們需要一些定量的評價(jià)指標(biāo)，最能反映描述符可靠性的指標(biāo)是inliers的百分比：

Matching Results （BEBLID）
＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊
＃ Keypoints 1：                          9105
＃ Keypoints 2：                          9927
＃ Matches：                              660
＃ Inliers：                              512
＃ Percentage of Inliers：                77．57％

使用BEBLID描述符可以獲得77．57％的inliers。如果我們在description單元格中注釋BEBLID并取消注釋ORB descriptor，結(jié)果將下降到63．20％：＃ Comment or uncomment to use ORB or BEBLID
＃ descriptor ＝ cv．xfeatures2d．BEBLID＿create（0．75）
descriptor ＝ cv．ORB＿create（）
kpts1， desc1 ＝ descriptor．compute（img1， kpts1）
kpts2， desc2 ＝ descriptor．compute（img2， kpts2）
Matching Results （ORB）
＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊
＃ Keypoints 1：                          9105
＃ Keypoints 2：                          9927
＃ Matches：                              780
＃ Inliers：                              493
＃ Percentage of Inliers：                63．20％

總之，用BEBLID替換ORB描述符只需一行代碼，就可以將兩幅圖像的匹配結(jié)果提高14％，這對需要局部特征匹配才能工作的更高級別任務(wù)有很大收益。