feature-detection

name	feature-detection
description	OpenCV4 特征检测技能 - SIFT、SURF、ORB、AKAZE、FAST、BRISK 特征提取与匹配
user-invocable	true
argument-hint	特征检测 OR SIFT OR ORB OR 特征匹配 OR 图像拼接

OpenCV4 Feature Detection Skill

特征检测与匹配完整指南

---

何时使用

当需要以下帮助时使用此技能：

• 图像特征提取（SIFT、ORB、AKAZE 等）
• 特征描述符匹配
• 图像拼接和全景图生成
• 物体识别和定位
• 几何校正

---

快速参考

特征检测器对比

算法	旋转不变	尺度不变	速度	专利
SIFT	✓	✓	慢	是
SURF	✓	✓	中	是
ORB	✓	✗	快	否
AKAZE	✓	✓	中	否
FAST	✗	✗	很快	否
BRISK	✓	✓	快	否

SIFT 特征检测

import cv2

# 创建 SIFT 检测器
sift = cv2.SIFT_create()

# 检测特征点和描述符
keypoints, descriptors = sift.detectAndCompute(gray, None)

# 绘制特征点
img_with_kp = cv2.drawKeypoints(img, keypoints, None, 
                                 flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

# BFMatcher 匹配
bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)
matches = bf.match(descriptors1, descriptors2)

# 绘制匹配结果
result = cv2.drawMatches(img1, kp1, img2, kp2, matches, None)

ORB 特征检测（实时推荐）

# 创建 ORB 检测器
orb = cv2.ORB_create(nfeatures=500)

# 检测
keypoints, descriptors = orb.detectAndCompute(gray, None)

# 绘制
img_with_kp = cv2.drawKeypoints(img, keypoints, None, (0, 255, 0))

# 使用 Hamming 距离匹配（ORB 专用）
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)

# KNN 匹配
matches = bf.knnMatch(des1, des2, k=2)
good_matches = [m for m, n in matches if m.distance < 0.75 * n.distance]

AKAZE 特征检测

# 创建 AKAZE 检测器
akaze = cv2.AKAZE_create()

# 检测
keypoints, descriptors = akaze.detectAndCompute(gray, None)

# DMatcher（支持 AKAZE）
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

图像拼接

def stitch_images(images):
    stitcher = cv2.Stitcher_create(cv2.STITCHER_PANORAMA)
    status, panorama = stitcher.stitch(images)
    if status == 0:
        return panorama
    else:
        raise ValueError(f"Stitching failed with status {status}")

---

C++ 实现

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <opencv2/features2d.hpp>

using namespace cv;

// SIFT 特征检测
Ptr<SIFT> sift = SIFT_create();
vector<KeyPoint> keypoints;
Mat descriptors;
sift->detectAndCompute(gray, noArray(), keypoints, descriptors);

// ORB 特征检测
Ptr<ORB> orb = ORB_create();
orb->detectAndCompute(gray, noArray(), keypoints, descriptors);

// BFMatcher
BFMatcher matcher(NORM_HAMMING, true);
vector<DMatch> matches;
matcher.match(descriptors1, descriptors2, matches);

// 绘制匹配
Mat result;
drawMatches(img1, kp1, img2, kp2, matches, result);

---

特征匹配流程

图像1 → 特征检测 → 描述符提取
                           ↓
图像2 → 特征检测 → 描述符提取
                           ↓
                    特征匹配 (BF/FLANN)
                           ↓
                      匹配结果
                           ↓
                    去噪过滤 (Lowe's ratio)
                           ↓
                    单应性矩阵估计 (RANSAC)
                           ↓
                    透视变换/融合

RANSAC 去噪

# 获取匹配点坐标
src_pts = np.float32([kp1[m.queryIdx].pt for m in good_matches])
dst_pts = np.float32([kp2[m.trainIdx].pt for m in good_matches])

# 计算单应性矩阵
H, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

# 过滤内点
inliers = [matches[i] for i in range(len(matches)) if mask[i]]

---

最佳实践

1. 算法选择：

   • 实时应用：ORB > FAST > BRISK
   • 高精度需求：SIFT > SURF > AKAZE
   • 无专利要求：AKAZE > ORB

2. 匹配优化：

   • 使用 Lowe's ratio test (0.75-0.8)
   • KNN 匹配比 BF 更稳定
   • 先过滤再匹配

3. 特征点数量：

   • 纹理丰富区域：500-1000
   • 纹理稀疏区域：2000-5000

---

常见问题

问题	解决方案
匹配点太少	降低匹配阈值或使用多尺度检测
匹配噪声多	提高 Lowe's ratio 阈值到 0.7
实时性差	使用 ORB/FAST，限制特征点数量

---

相关技能

• opencv-image-processing - 图像处理基础
• opencv-camera-calibration - 相机标定
• opencv-yolo-integration - YOLO 集成