OpenCV中一些相关结构说明：
特征点类：
class KeyPoint{Point2f pt; //坐标float size; //特征点邻域直径float angle; //特征点的方向，值为[0,360)，，负值表示不使用float response; //int octave; //特征点所在的图像金字塔的组int class_id; //用于聚类的id}
存放匹配结果的结构：
struct DMatch{//三个构造函数DMatch(): queryIdx(-1), trainIdx(-1),imgIdx(-1),distance(std::numeric_limits<float>::max()) {}DMatch(int _queryIdx, int _trainIdx, float _distance ) :queryIdx( _queryIdx),trainIdx( _trainIdx), imgIdx(-1),distance( _distance) {}DMatch(int _queryIdx, int _trainIdx, int _imgIdx, float _distance ) :queryIdx(_queryIdx), trainIdx( _trainIdx), imgIdx( _imgIdx),distance( _distance) {}intqueryIdx; //此匹配对应的查询图像的特征描述子索引inttrainIdx; //此匹配对应的训练(模板)图像的特征描述子索引intimgIdx; //训练图像的索引(若有多个)float distance; //两个特征向量之间的欧氏距离，越小表明匹配度越高。booloperator < (const DMatch &m) const;};
说明：以两个特征点描述子(特征向量)之间的欧氏距离作为特征点匹配的相似度准则，假设特征点对p和q的
特征描述子分别为Desp和Desq，则其欧氏距离定义为：
所以每个匹配分别对应训练图像(train)和查询图像(query)中的一个特征描述子(特征向量)。
#include "opencv2/highgui/highgui.hpp"#include "opencv2/imgproc/imgproc.hpp"#include "opencv2/nonfree/nonfree.hpp"#include "opencv2/nonfree/features2d.hpp"#include <iostream>#include <stdio.h>#include <stdlib.h>using namespace cv;using namespace std;int main(){initModule_nonfree();//初始化模块，使用SIFT或SURF时用到Ptr<FeatureDetector> detector = FeatureDetector::create( "SIFT" );//创建SIFT特征检测器Ptr<DescriptorExtractor> descriptor_extractor = DescriptorExtractor::create( "SIFT" );//创建特征向量生成器Ptr<DescriptorMatcher> descriptor_matcher = DescriptorMatcher::create( "BruteForce" );//创建特征匹配器if( detector.empty() || descriptor_extractor.empty() )cout<<"fail to create detector!";//读入图像Mat img1 = imread("desk.jpg");Mat img2 = imread("desk_glue.jpg");//特征点检测double t = getTickCount();//当前滴答数vector<KeyPoint> keypoints1,keypoints2;detector->detect( img1, keypoints1 );//检测img1中的SIFT特征点，存储到keypoints1中detector->detect( img2, keypoints2 );cout<<"图像1特征点个数:"<<keypoints1.size()<<endl;cout<<"图像2特征点个数:"<<keypoints2.size()<<endl;//根据特征点计算特征描述子矩阵，即特征向量矩阵Mat descriptors1,descriptors2;descriptor_extractor->compute( img1, keypoints1, descriptors1 );descriptor_extractor->compute( img2, keypoints2, descriptors2 );t = ((double)getTickCount() – t)/getTickFrequency();cout<<"SIFT算法用时："<<t<<"秒"<<endl;cout<<"图像1特征描述矩阵大小："<<descriptors1.size()<<"，特征向量个数："<<descriptors1.rows<<"，维数："<<descriptors1.cols<<endl;cout<<"图像2特征描述矩阵大小："<<descriptors2.size()<<"，特征向量个数："<<descriptors2.rows<<"，维数："<<descriptors2.cols<<endl;//画出特征点Mat img_keypoints1,img_keypoints2;drawKeypoints(img1,keypoints1,img_keypoints1,Scalar::all(-1),0);drawKeypoints(img2,keypoints2,img_keypoints2,Scalar::all(-1),0);//imshow("Src1",img_keypoints1);//imshow("Src2",img_keypoints2);//特征匹配vector<DMatch> matches;//匹配结果descriptor_matcher->match( descriptors1, descriptors2, matches );//匹配两个图像的特征矩阵cout<<"Match个数："<<matches.size()<<endl;//计算匹配结果中距离的最大和最小值//距离是指两个特征向量间的欧式距离，表明两个特征的差异，值越小表明两个特征点越接近double max_dist = 0;double min_dist = 100;for(int i=0; i<matches.size(); i++){double dist = matches[i].distance;if(dist < min_dist) min_dist = dist;if(dist > max_dist) max_dist = dist;}cout<<"最大距离："<<max_dist<<endl;cout<<"最小距离："<<min_dist<<endl;//筛选出较好的匹配点vector<DMatch> goodMatches;for(int i=0; i<matches.size(); i++){if(matches[i].distance < 0.31 * max_dist){goodMatches.push_back(matches[i]);}}cout<<"goodMatch个数："<<goodMatches.size()<<endl;//画出匹配结果Mat img_matches;//红色连接的是匹配的特征点对，绿色是未匹配的特征点drawMatches(img1,keypoints1,img2,keypoints2,goodMatches,img_matches,Scalar::all(-1)/*CV_RGB(255,0,0)*/,CV_RGB(0,255,0),Mat(),2);imshow("MatchSIFT",img_matches);waitKey(0);return 0;}结果：
效果图：
源码下载：
当然，这些匹配还没有经过系统的筛选，还存在大量的错配，关于匹配的筛选参见这篇文章：
利用RANSAC算法筛选SIFT特征匹配
以及RobHess的SIFT源码分析系列文章：
接受失败等于打破完美的面具，接受失败等于放松自己高压的心理，
