我用的是OpenCV cv::findHomography API用于计算两个平面图像的单应矩阵。
匹配的关键点由SIFT提取并由BFMatcher匹配。我所知， cv:findHomography 使用RANSAC迭代找出最佳的四个对应点以获得单应矩阵。
因此，我使用对象边缘的同一矩阵绘制所选择的四对点和计算出的轮廓。
结果如链接：
https://postimg.cc/image/5igwvfrx9/
我们可以看到，RANSAC选择的匹配点是正确的，但轮廓显示单应性不准确。
但是这些测试表明，所选择的匹配点和单应性都是正确的：
https://postimg.cc/image/dvjnvtm53/
我的猜测是，如果选定的匹配点太近，像素位置的小误差将导致单应矩阵的显着误差。如果四个点位于图像的角落，那么匹配点的移位4-6个像素仍然具有良好的单应矩阵。
（根据同质坐标，我认为这是合理的，因为近平面的小误差会在很远的地方被放大）
我的问题是：
我猜对了吗？
2.由于RANSAC迭代生成了四个匹配点，因此所有关键点的总误差最小。但是如何获得稳定的单应性，至少使轮廓的映射是正确的？该理论证明，如果找到平面中的四个对应点，则应计算单应矩阵，但工程师工作中是否有任何技巧？
我认为你是对的，而且 接近4点 无助于结果的准确性。你观察到的可能是由数字问题引起的：结果可能是 在当地正确 对于这4点，但进一步走得更糟。
但是，RANSAC在这里不会帮助你。原因很简单：RANSAC是一个强大的估算程序，旨在找到许多对应关系中的最佳点对（包括一些错误的对应关系）。然后，在RANSAC的内环中，执行标准单应性估计。
你可以看到 RANSAC 作为一个 拒绝错误点对应的方法 这会引起不好的结果。
回到你的问题：
你真正需要的是获得更多积分。在您的示例中，您仅使用4点对应关系，这足以估计单应性。
您将通过提供来改善您的结果 更多比赛 遍布目标图像。然后问题变得过于确定，但OpenCV仍然可以找到最小二乘解决方案。此外，在点对应过程或某些点定位中存在一些错误，RANSAC将能够选择最佳的并且仍然给您可靠的结果。
如果RANSAC导致过度拟合在4个点上（在您的示例中似乎就是这种情况），请尝试通过增加 ransacReprojThreshold 参数。
或者，你可以：
- 使用不同的估计量（稳健的中位数
CV_LMEDS 如果匹配错误很少，这是一个很好的选择）
- 或者在第一步中使用RANSAC以获得大的重投影误差（以获得粗略估计）以便检测伪匹配，然后在正确的匹配上使用LMEDS。
只是为了扩展@sansuiso的答案，我同意：
如果你向RANSAC提供大约100个通信，那么你可能会得到超过4个内容 cvFindHomography。检查 status 输出参数。
为了获得良好的单应性，你应该有超过4个对应关系（注意4个对应关系总是给你一个单应性），它们很好地分布在图像周围并且不是线性的。您实际上可以使用最少数量的内点来确定获得的单应性是否足够好。
请注意，RANSAC找到一组一致的点，但它必须说该集合是最好的（重投影错误）有点受限。有一种类似RANSAC的方法，称为MSAC，它使用稍微不同的错误测量，检查出来。
根据我的经验，坏消息是大多数时候几乎不可能获得100％精确的单应性。如果你有几个类似的框架，你可能会发现它们之间的单应性变化很小。
有一些技巧可以改善这一点。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应该更准确的单应性。
你的目标有很多对称和相似的元素。正如其他人提到的（你后来澄清），点间距和点数可能是个问题。另一个问题是，SIFT并非旨在处理您案例中存在的重大视角扭曲。尝试通过较小的旋转跟踪您的对象，并且如前所述，使用最新的单应性重新投影它，使其看起来尽可能接近原始。这也将允许您跳过处理繁重的SIFT并使用像FAST一样轻量级的东西，并使用图像补丁的互相关来进行匹配。
你也可能最终明白使用积分是不够的。你必须使用你所拥有的所有东西，这意味着线条或圆锥形。如果单应性变换点Pb = H * Pa，则很容易验证在齐次坐标线Lb = Henv.transposed * La。这直接来自等式La'.Pa = 0 = La'* Hinv * H * Pa = La'* Hinv * Pb = Lb'.Pb
可能的分钟。配置是1行和3点或3行和1点。两条线和两条点不起作用。您也可以使用四行或四点。当然这意味着您不能再使用openCV功能，必须编写自己的DLT然后进行非线性优化。