其實最初我是想採用SIFT的運算元和特徵點識別來進行特徵影象的跟蹤標定的，但是經過測試後發現SIFT的檢測時間實在是太長了，根本不適合作為視訊的特徵識別的演算法，所以雖然其識別準確率是最高的，但是還是隻能進行捨棄

而且SURF雖然準確率沒有SIFT高，但其也保留了基本的尺度不變性和旋轉不變型，用作特徵影象的標定其實也算不錯，不過這樣的方法也有很大的問題，就是每一幀都必須對全域性影象進行一個特徵點的描述，這樣會造成每一幀的計算量太大而導致掉幀的情況。

我當前所做成的Demo也有這個問題，就是幀數過低，看起來並不流暢，但是隻是對SURF的視訊識別效率做一個測試，問題也不算太大

當然，後面我會對這個特徵影象的跟蹤Demo進行進一步的優化，
初步方案是採用光流金字塔calcOpticalFlowPyrLK

執行環境

• Visual Studio 2017 ( X86 Release )
• opencv 2.3.1

Demo實現的大致步驟

1. 獲取特徵影象的描述子存入固定容器
2. 取一幀影象
3. 將幀影象的描述子算出並和特徵影象的描述子進行對比
4. 對比得到DMatch物件容器，並進行篩選得到較好的匹配點和其對應的位置points（如何篩選DMatch請看SIFT演算法的特徵點篩選和DMatch、Keypoint描述）
5. 繪製出匹配點
6. 通過獲取多個點的透視變化findHomography
   函式算出points相對於原影象對應位置的透視矩陣
7. 通過前面的透視矩陣將幀影象中的特徵影象圈出

程式碼詳情

由於註釋比較詳細，就不多說了，直接貼程式碼吧

int main()
{
    float MaxDistance = 0;        //最大尤拉角
    float MinDistance = 999;      //最小尤拉角

    //識別影象
    Mat inputObj = imread("image/img2.jpg", 1);
    //場景影象
    Mat inputScene;
    //兩者的灰度影象
    Mat imgGrayObj, imgGrayScene;

    //轉換灰度圖
 

    cvtColor(inputObj, imgGrayObj, CV_BGR2GRAY);
    //SURF特徵檢測
    SurfFeatureDetector detector;
    //特徵點容器
    vector<KeyPoint> keypointsObj, keypointsScene;
    //找出特徵影象的特徵點
    detector.detect(imgGrayObj, keypointsObj);
    //surf描述子
    SurfDescriptorExtractor extractor;
    //描述子矩陣
    Mat descriptorObj, descriptorScene;
    //匹配器
    BruteForceMatcher<L2<float>> matcher;
    //匹配得到的DMatch容器
    vector<DMatch> matches;

    extractor.compute(imgGrayObj, keypointsObj, descriptorObj);

    VideoCapture camera(0);//初始化攝像頭，0代表預設攝像頭
    vector<DMatch> matchesVoted;//選出的優質匹配
    vector<Point2f> points1, points2;//對應點的位置
    vector<KeyPoint> imagePoints1, imagePoints2;//選出的對應優質特徵點

    while (true)
    {

        if (!camera.isOpened())
        {
            cerr << "open camera error" << endl;
            break;
        }

        camera >> inputScene;//獲取當前幀
        //灰度化影象
        cvtColor(inputScene, imgGrayScene, CV_BGR2GRAY);
        //找出特徵點
        detector.detect(imgGrayScene, keypointsScene);
        extractor.compute(imgGrayScene, keypointsScene, descriptorScene);
        matcher.match(descriptorObj, descriptorScene, matches);

        //得到匹配的最大最小尤拉距離
        for (int i = 0; i < matches.size(); i++) {
            if (matches[i].distance > MaxDistance) {
                MaxDistance = matches[i].distance;
            }
            if (matches[i].distance < MinDistance) {
                MinDistance = matches[i].distance;
            }
        }

        int count = 0;
        //篩選特徵點
        for (int i = 0; i < matches.size(); i++)
        {
            if (matches[i].distance <= 2.8 * MinDistance) {
                DMatch dmatch;
                dmatch.queryIdx = count;
                dmatch.trainIdx = count;
                dmatch.distance = matches[i].distance;
                matchesVoted.push_back(dmatch);
                imagePoints1.push_back(keypointsObj[matches[i].queryIdx]);
                imagePoints2.push_back(keypointsScene[matches[i].trainIdx]);
                points1.push_back(keypointsObj[matches[i].queryIdx].pt);
                points2.push_back(keypointsScene[matches[i].trainIdx].pt);
                count++;
            }
        }

        Mat img_matches;

        drawMatches(inputObj, imagePoints1, inputScene, imagePoints2, matchesVoted, img_matches, DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);
        if (points1.size() >= 4) {//是否具備進行透視矩陣變換的基礎
    //透視變換
            Mat h = findHomography(points1, points2, CV_RANSAC);

            std::vector<Point2f> obj_corners(4);
      //特徵影象中的四個頂點位置
            obj_corners[0] = cvPoint(0, 0); 
      obj_corners[1] = cvPoint(imgGrayObj.cols, 0);
            obj_corners[2] = cvPoint(imgGrayObj.cols, imgGrayObj.rows);
      obj_corners[3] = cvPoint(0, imgGrayObj.rows);
            std::vector<Point2f> scene_corners(4);
      //透視變換將頂點位置轉換成幀影象中的位置
            perspectiveTransform(obj_corners, scene_corners, h);
      //畫矩陣
            line(img_matches, scene_corners[0] + Point2f(imgGrayObj.cols, 0), scene_corners[1] + Point2f(imgGrayObj.cols, 0), Scalar(0, 255, 0), 4);
            line(img_matches, scene_corners[1] + Point2f(imgGrayObj.cols, 0), scene_corners[2] + Point2f(imgGrayObj.cols, 0), Scalar(0, 255, 0), 4);
            line(img_matches, scene_corners[2] + Point2f(imgGrayObj.cols, 0), scene_corners[3] + Point2f(imgGrayObj.cols, 0), Scalar(0, 255, 0), 4);
            line(img_matches, scene_corners[3] + Point2f(imgGrayObj.cols, 0), scene_corners[0] + Point2f(imgGrayObj.cols, 0), Scalar(0, 255, 0), 4);
        }
        imshow("SURF_Match_Image", img_matches);
        //清理場景特徵點容器
        matches.clear();
        keypointsScene.clear();
        matchesVoted.clear();
        points1.clear();
        points2.clear();
        imagePoints1.clear();
        imagePoints2.clear();
        waitKey(33);

    }
    return 0;
}

效果展示

缺點

1. 效率太低，幀率太低，應該只有10幀左右
2. 準確度不高，壞點的去除不完善