前言
- 需要下载安装OpenCV工具包的朋友，请前往 此处 ；
- 系统要求：Windows系统，LabVIEW>=2018，兼容32位和64位。
features2d 基本应用
OpenCV 的 features2d 模块的主要作用是提供特征检测和描述功能，广泛应用于计算机视觉领域中的图像特征提取、匹配，进而实现图像拼接、物体识别等任务。选板如下图。
1. 特征点提取
提取2D图像的特征点，可以使用 FAST 和 AGAST 这样单独的函数，分别代表 FastFeatureDetector 和 AgastFeatureDetector 的检测算法。但更多时候，我们会采用集成度更高的 Feature2D 类来实现。
Feature2D 是一个基类，根据不同的实现算法，衍生出一系列子类。
选板如下，子目录下的函数，是子类私有方法，外部的是共有方法。
下面 以 ORB （Oriented FAST and Rotated BRIEF）算法为例，实现一张图片的特征提取。
- 插入一个 Feature2D 的 create 方法，切换模式到 “ORB”，并对必要的参数进行初始化设置；
- 插入一个或多个 ORB 子类的私有方法 ORB_set，通过切换模式，设置不同的参数；
- 本次我们只提取特征点，不计算特征描述，所以插入一个 detect 方法；
- 读取图片，连接到 detect 作为被检测图像（ORB支持彩色图片输入，但有些子类只支持灰度图）；
- 在 core 模块下，找到 KeyPoint >> vector_KeyPoint 选板，插入一个 new 并连接到上述 detect 的输入端；
（这相当于C++的 vector< KeyPoint > ，是长度不确定的 KeyPoint 序列，作为 detect 结果的容器） - 使用 features2d 模块下的 drawKeypoints 函数将结果可视化；
- 使用 core >> KeyPoint 选板下的 convert 方法，将 vector_KeyPoint 对象转化成 LabVIEW 数组，以便观察；
- 最后，调用各自的 delete 或 release 方法，释放所有对象。完整流程如下图：
- 如果需要同时获取特征点的 “描述”，就将 detect 替换成 detectAndCompute 方法；
- detectAndCompute 除了能返回关键点外，还能返回每一个关键点的描述子，组成 descriptors 矩阵；
- descriptors 的行数等于关键点的数量，每一行的数据作为一个关键点的描述子；
（ORB基于BRIEF-256，所以每一个描述子占32字节，即 descriptors 的列数是32） - descriptors 将作为特征点匹配的依据。
2. 特征点匹配
特征点匹配的任务，是找出两张图片中特征相似的关键点，并建立对应关系。
在OpenCV中，有3个类可以实现特征点匹配功能：DescriptorMatcher 和它的两个子类 BFMatcher、FlannBasedMatcher。此三类合并在工具包的同一个子目录下（因为函数都相同），如图：
下面 以 FlannBasedMatcher 为例，实现两张图片的特征点匹配。
- 插入一个 DescriptorMatcher 选板的 create 方法，切换模式到 “FlannBasedMatcher”；
- 按照上文的方法，使用 ORB 分别提取两张图片的 keypoints 和 descriptors；
- 插入一个 DescriptorMatcher 选板的 match 方法；
- 按照 match 的要求，将上述两组 descriptors 转换成 32F 类型，再连接到 match 的输入端；
- 在 core 模块下，找到 DMatch >> vector_DMatch 选板，插入一个 new 并连接到上述 match 的输入端；
（这相当于C++的 vector< DMatch > ，是长度不确定的 DMatch 序列，作为 match 结果的容器） - 使用 features2d 模块下的 drawMatches 函数将结果可视化；
- 最后，调用各自的 delete 或 release 方法，释放所有对象。完整流程如下图：
这两张图片，一张是上例的 “小猫和小狗” 合照，另一张是截取其中的小狗，并旋转90度。匹配效果如下图：
可以看出，大部分关键点匹配较好，但也存在一些误差。
为了消除一些误差，你可以遍历 vector_DMatch 中的每一个 DMatch，筛选其中匹配较好的（distance较小的）DMatch，组成一个新的 vector_DMatch，效果如下图。除此之外，还有很多优化方法，不一一列举了。
3. BOW 应用
BOW（Bag of Words），也就是常说的 “词袋”，是一种用于图像分类和对象识别的技术。
BOW 模型的基本思想是将图像中的局部特征描述符聚类成视觉单词，然后计算每个图像中这些视觉单词的出现频率，从而形成一个“词袋”来表示该图像。
OpenCV 的 features2d 模块下，有两个BOW类：BOWImgDescriptorExtractor 和 BOWKmeansTrainer。后者用于将多个图片特征聚类成 “词汇”；前者用于根据设定的 “词汇”，提取一张图片的 “词袋”。选板如图。
下面我们用 BOW 模型的思想，结合 Feature2D 和 ml（机器学习）模块，训练一个 “猫，狗” 二分类模型。
- 第1步：提取特征，聚成词汇
- 搜集猫和狗的图片（每张只能有一只猫或一只狗），越多越好；
- 插入一个 BOWKmeansTrainer 类的 new 方法，并设置必要的参数；
- 插入一个 Feature2D 类的 create 方法，并切换模式到 “SIFT”；
- 遍历每一张图片，使用 Feature2D 类的 detectAndCompute 方法，提取 descriptors；
- 每获取一张图片的 descriptors，都用 BOWKmeansTrainer 类的 add 方法将其添加到BOW模型中；
- 遍历添加完成后，调用一次 BOWKmeansTrainer 类的 cluster 方法，获取聚类成的词汇 vocabulary；
（vocabulary 中的每一行是一个 SIFT 特征子，由128个float数据组成，每行称为一个“单词”） - 将 vocabulary 保存到文件中以备用；
- 最后，调用各自的 delete 或 release 方法，释放所有对象。完整流程如下图：
参考范例：examples/Molitec/OpenCV/features2d/features2d_3(BOW_vocabulary).vi
- 第2步：根据词汇，计算词袋
- 插入一个 Feature2D 的 create 并切换到“SIFT”，插入一个 DescriptorMatcher 的 create 并切换到“BFMatcher”；
- 插入一个 BOWImgDescriptorExtractor 的 new，并将上述的 SIFT 和 BFMatcher 对象连到输入端；
- 插入一个 BOWImgDescriptorExtractor 的 setVocabulary，从文件中载入 vocabulary 到 Mat 并连入；
- 再次遍历图片，使用 Feature2D 的 detect 配合 BOWImgDescriptorExtractor 的 compute，计算每张图片的词袋；
（词袋是个行向量，每个数据依次代表 vocabulary 中每个“单词”在此图片中出现的频率） - 根据 “猫，狗” 类别，将每个词袋 push_back 到两个不同的 Mat 对象中，最后分别保存到两个文件中；
- 最后，调用各自的 delete 或 release 方法，释放所有对象。完整流程如下图：
参考范例：examples/Molitec/OpenCV/features2d/features2d_4(BOW_imgDescriptor).vi
- 第3步：用词袋训练分类模型
- 从文件中载入猫、狗的词袋数据到 Mat 对象；
- 采用 SVM 模型进行训练，词袋作为 Samples，猫、狗类别 Responses 分别用 1 和 -1 代表；
（SVM 是机器学习模块的内容，这里不再赘述，请参考 教程（12）） - 调用 save 保存 SVM 的训练模型到 xml 文件，以备后用；
- 完整流程如下。参考范例：examples/Molitec/OpenCV/features2d/features2d_5(BOW_SVM_train).vi
- 第4步：测试分类模型
- 调用 SVM 的 load 方法，载入之前训练好的模型；
- 准备几张新的猫、狗图片，用和当初相同的 vocabulary 来计算词袋；
- 将新图片的词袋作为 Samples，传入 SVM 的 predict 方法，运行得到 Responses；
- 完整流程如下。参考范例：examples/Molitec/OpenCV/features2d/features2d_6(BOW_SVM_predict).vi
总结
- 本系列博文作为LabVIEW工具包—OpenCV的教程，将以专栏的形式陆续发布和更新。
- 对工具包感兴趣的朋友，欢迎下载试用：秣厉科技 - LabVIEW工具包 - OpenCV
- 各位看官有什么想法、建议、吐槽、批评，或新奇的需求，也欢迎留言讨论。