如何在OpenCV中从图像轮廓获取`KeyPoint`？

在OpenCV中，从图像轮廓获取`KeyPoint`通常是通过以下几个步骤：

1. **检测边缘或兴趣点**：首先，使用`goodFeaturesToTrack()` 函数或 `cornerHarris()`、`cornerMinEigenVal()` 等方法检测图像中的潜在关键点。这会返回一组`cv::Mat`矩阵，其中每个元素代表一个感兴趣点。

cv::Mat img; // 假设img是你要分析的图像
std::vector<cv::Point2f> points;
cv::goodFeaturesToTrack(img, points, 100, 0.01, 10);

这里的参数解释：
- `img`：输入图像。
- `points`：存储关键点位置的向量。
- 第三个参数（100）是希望检测的关键点的数量。
- 第四个参数（0.01）是梯度阈值，较小的值会发现更多的关键点。
- 第五个参数（10）是允许的最大迭代次数。

2. **从像素坐标转换到关键点结构**：检测到点后，将其转换为`cv::KeyPoint`结构，以便保存附加信息，比如大小、方向等。你可以遍历`points`并逐个创建`KeyPoint`对象。

std::vector<cv::KeyPoint> keypoints;
for (int i = 0; i < points.size(); i++) {
    cv::KeyPoint kpt(points[i], 0, 0, 0, 0, 0, CV_KEYPOINT_MAX_SIZE); // 使用默认参数
    keypoints.push_back(kpt);
}

这里创建了一个新的`KeyPoint`向量，然后把每个`Point2f`转换成对应的`KeyPoint`添加进去。

3. **关联轮廓**：如果你已经有了轮廓数据，并想从中找到关键点，你可以尝试对轮廓内的像素进行相似度比较，找出特征明显的区域，但这通常不是标准的OpenCV操作，而是自定义代码的一部分。

记住，`contours1[i_target]`应该已经是一个有效的点或者可以转化为`KeyPoint`的对象。如果你遇到像上述错误提到的情况，那么可能需要先进行关键点检测。