Opencv 如何提高单应性的准确性？

我使用OpenCV的

cv:：findHomography

API来计算两个平面图像的单应矩阵。 通过SIFT提取匹配的关键点，并通过BFMatcher进行匹配。据我所知，

cv:findHomography

使用RANSAC迭代找出最佳的四个对应点，从而得到单应矩阵。 因此，我使用对象边缘的同调矩阵，用计算出的轮廓绘制选定的四对点。 结果如下：

如我们所见，RANSAC选择的匹配点是正确的，但轮廓显示单应性不准确

但这些测试表明，所选匹配点和单应性都是正确的：

我的猜测是，如果选择的匹配点太接近，像素位置的小误差将导致单应矩阵的显著误差。如果四个点位于图像的角点，则匹配点的偏移4-6个像素仍然得到良好的单应矩阵。 （根据同质坐标，我认为是合理的，因为近平面的小误差会在远平面放大）

我的问题是:

我猜对了吗？

---

2.由于四个匹配点由RANSAC迭代生成，因此所有关键点的总体误差最小。但如何得到稳定的单应，至少使轮廓的映射是正确的？理论证明，如果找到平面上的四个对应点，则应计算单应矩阵，但工程工作中是否存在任何技巧？

我认为你是对的，并且这四个点的接近度对结果的准确性没有帮助。您观察到的可能是由数值问题引起的：对于这4个点，结果可能是局部正确的，但进一步分析会变得更糟

然而，RANSAC不会在这里帮助你。原因很简单：RANSAC是一种稳健的估计过程，旨在从许多对应（包括一些错误的对应）中找到最佳点对。然后，在RANSAC的内环中，执行标准单应估计

您可以将RANSAC看作是一种拒绝错误点通信的方法，这种方法会导致不良结果

回到你的问题：

你真正需要的是获得更多的分数。在您的示例中，仅使用4点对应，这刚好足以估计单应性。 通过在目标图像上提供更多匹配项，您将提高结果。然后问题变得过于确定，但OpenCV仍然可以找到最小二乘解。此外，由于在点对应过程或某些点定位中存在一些错误，RANSAC将能够选择最好的，并且仍然为您提供可靠的结果

如果RANSAC导致在大约4个点上过度拟合（在您的示例中似乎是这样），请尝试通过增加

ransacreprojectthreshold

参数来放松约束。 或者，您可以：

• 使用不同的估计器（如果匹配错误很少，则稳健中值

  CV_LMEDS

  是一个不错的选择）
• 或者在第一步中使用RANSAC（获得粗略估计），以检测虚假匹配，然后在正确的匹配上使用LMED

---

我同意@sansuiso的回答：

如果您向RANSAC提供了大约100封信函，那么您可能从

cvFindHomography

中获得了超过4个内联。检查

状态

输出参数。 要获得良好的单应性，您应该有4个以上的对应关系（注意，4个对应关系始终为您提供单应性），这些对应关系在图像周围均匀分布，并且不是线性的。实际上，您可以使用最少数量的内联线来决定获得的单应性是否足够好

请注意，RANSAC找到了一组一致的点，但它必须指出该点是最佳点（重投影错误）的方式有点有限。有一种类似RANSAC的方法，叫做MSAC，它使用了一种稍微不同的误差测量方法，请检查一下

根据我的经验，坏消息是在大多数情况下不太可能获得100%精度的单应性。如果有几个相似的帧，则可能会看到它们之间的单应性略有变化

---

有一些技巧可以改进这一点。例如，在使用RANSAC获得单应性后，您可以使用它将模型投影到图像中，并查找新的对应关系，这样您就可以找到另一个更精确的单应性。

您的目标具有许多对称和类似的元素。正如其他人提到的（稍后您会澄清），点间距和点编号可能是一个问题。另一个问题是，SIFT的设计并不是为了处理案例中存在的重大视角扭曲。尝试通过较小的旋转来跟踪对象，如前所述，使用最新的单应性重新投影对象，使其看起来尽可能接近原始对象。这也将允许您跳过重筛选处理，并使用轻量级和快速的图像块相互关联进行匹配

你也可能最终会明白，仅仅使用点是不够的。你必须使用所有你得到的，这意味着直线或二次曲线。如果单应变换点Pb=H*Pa，则很容易在齐次坐标系中验证线Lb=Henv.transposed*La。这直接来自方程式La'.Pa=0=La'*Hinv*H*Pa=La'*Hinv*Pb=Lb'.Pb 可能的最小配置为1线3点或3线1点。两条线和两个点不起作用。您也可以使用四条线或四个点。c的