OpenCV实现双目图像特征匹配与跟踪

"Robotics_Lab3_SA18225225_林永欣1 - 图像特征匹配、跟踪与相机运动估计实验" 该实验是机器人技术课程中的一个部分，主要关注计算机视觉领域的图像处理技术，特别是图像特征匹配、跟踪以及相机运动估计。实验代码使用了OpenCV库，这是一个广泛应用于计算机视觉和机器学习的开源库。OpenCV提供了丰富的功能，包括图像读取、处理、特征检测和匹配等。 在代码中，首先通过`#include`指令引入了必要的头文件，如`opencv2/core/core.hpp`、`opencv2/features2d/features2d.hpp`和`opencv2/highgui/highgui.hpp`，这些头文件包含了进行图像处理和特征检测所需的类和函数。接着，代码使用`using namespace std`和`using namespace cv`来简化后续的代码编写。 实验的核心部分是使用ORB（Oriented FAST and Rotated BRIEF）特征检测器和描述符。ORB是一种快速且旋转不变的特征检测和描述方法，适用于实时应用。在`main`函数中，首先检查命令行参数是否正确，然后读取两幅图像`img_1`和`img_2`。接下来，定义了存储关键点和描述符的向量`keypoints_1`, `keypoints_2`, `descriptors_1`, 和 `descriptors_2`。 `ORB::create()`函数用于创建`FeatureDetector`和`DescriptorExtractor`对象，这两个对象分别用于检测图像中的关键点和计算这些关键点的描述符。然后，创建了一个`DescriptorMatcher`对象，这里使用的是基于汉明距离的暴力匹配器`BruteForce-Hamming`，用于比较两个图像的关键点描述符并找到最佳匹配。 在检测关键点和计算描述符后，代码使用`drawKeypoints`函数将关键点绘制到图像上，以便可视化。这有助于理解特征检测的结果。最后，如果程序没有遇到错误，它会返回0，表示成功执行。 实验的后续部分可能涉及使用匹配的关键点进行相机运动估计，例如通过单应性矩阵或本质矩阵计算，从而确定相机相对于场景的运动。此外，图像跟踪可能涉及使用这些匹配的关键点来追踪目标在连续帧中的位置。 这个实验旨在让学生掌握计算机视觉的基本概念和技术，为构建更复杂的机器人视觉系统，如目标识别、定位和导航等奠定基础。通过这个实验，学生能够实践如何在实际应用中运用OpenCV库，理解和应用图像特征匹配与跟踪的方法。