今天尝试把光流法放到特征点匹配中,以提高单应性矩阵计算的准确度。
今天使用以下两张图片:
图片1:

图片2:

看上去难度比较大
这是使用纯的角点检测后进行光流法的效果:

这是用ORB兴趣点检索后直接使用光流法的效果:

效果很差
这是使用KNN 匹配描述子后再使用光流法的效果:

使用RANSAC后使用光追法的效果:

我们把问题简单化一点:
只计算前一帧的图片:
角点监测加光流:

SURF+KNN+RANSAC后加光流:

时间方面角点肯定是更快CPU消耗也是更少,但是明显兴趣点描述子匹配后会兴趣点会更多
网友评论