參考：博主對原始碼進行了分析，不過很多沒看明白。
分為幾個部分。積分圖：借助積分影象，影象與高斯二階微分模板的濾波轉化為對積分影象的加減運算。在哈爾特徵中也用到這個。
doh近似：將模板與圖產像的卷積轉換為盒子濾波運算，我們需要對高斯二階微分模板進行簡化，進而對hessian矩陣行列式的值進行簡化。使用近似的hessian矩陣行列式的極大值檢測斑點，
使用近似的hessian矩陣行列式來表示影象中某一點x處的斑點響應值，遍歷影象中所有的像元點， 便形成了在某一尺度下琉璃點檢測的響應影象。
使用不同的模板尺寸，便形成了多尺度斑點響應的金字塔影象，利用這一金字塔影象，就可以進行斑點響應極值點的搜 索，其過程完全與sift演算法類同。
尺度空間表示：通常想要獲取不同尺度的斑點，必須建立影象的尺度空間金字塔。由於採用了盒子濾波和積分影象，並不需要像sift演算法那樣去直接建立影象金字塔，
而是採用不斷增大盒子濾波模板的尺寸的間接方法。
興趣點的定位：為了在影象及不同尺寸中定位興趣點，我們用了3×3×3鄰域非最大值抑制。
這篇博文說得很詳細：
關於bfmatcher和flannbasedmatcher，可參考：
#include #include #include "opencv2/core/core.hpp"//因為在屬性中已經配置了opencv等目錄，所以把其當成了本地目錄一樣#include #include "opencv2/highgui/highgui.hpp"
#include/*這裡用的是影象對影象集，注意flann的用法*/
using namespace cv;
using namespace std;
int main()
mat dstimage;
drawmatches(testimage, test_keypoint, trainimage, train_keypoint, goodmatches, dstimage);
imshow("匹配視窗", dstimage);
cout << cvgettickfrequency() / (gettickcount() - time0) << endl; }
waitkey(0);
return 0;
}
surf特徵檢測描述和匹配
include include include opencv2 core core.hpp include opencv2 features2d features2d.hpp include opencv2 highgui highgui.hpp include includeusing names...
Surf特徵檢測
原文 對於其原理我還沒看過，只是略知道是特徵點檢測的，最近同學用到需要將檢測到的匹配的特徵點輸出來，這才看了一下函式的介面，如果以後用到了原理，再去研究和學習一下，這裡對 進行一下備份 cpp view plain copy include include include opencv2 core ...
SURF特徵識別
如果對surf的 或者使用到此為止，我覺得只是用surf這把牛刀嚇唬了乙個小雞仔，萬里長征才剛剛開始第一步，最少有三個問題需要得到解答 keypoints資料結構包含的內容有 經過歸一化後的描述子mat矩陣顯示 這兩個長的很大條的影象就是描述子的影象顯示，影象的行數是特徵點的個數，上例中影象1的特徵...