在github上，下载opencv3.4.8源码和opencv-contrib3.4.8源码
自己解压
网址自己找
网址自己找
记得一开始选好平台x64还是win32（我这x64），还有自己的vs平台（我这vs2015）
进去界面
上边文件夹是源码的文件夹（opencv3.4.8的）
下边是自己要编译到的文件夹（新建）
选好之后进行config
如果安装了相应版本的vs，就可以直接打开项目
进去后把ALL_Build和Install都重新生成一下，如果用release的话记得把环境改成release之后再点Install重新生成一下
如果vs的除了python的之外都没有报错，那么就恭喜，可以用了（如果有报错说明cmake那里出问题了，再回去编译吧）
生成的编译好的opencv在你新建的这个文件夹下的install文件夹内
之后可以试试：
把install\x64\vc14\bin添加到环境变量
在测试工程中把c++目录中
包含目录设置：
install\include\opencv2
install\include\opencv
install\include
库目录：
install\x64\vc14\lib
链接器-输入：（这里将debug和release分开设置，我就把两个都设了一起，之后就是debug能用，release出问题，可能是release在用lib的时候加载成了debug的*d.lib，具体看这个博客https://blog.csdn.net/Winder_Sky/article/details/79380836）
lib在install\x64\vc14\lib
opencv_world348d.lib(debug的)
opencv_world348.lib（release的）
可能一会跑代码的时候还会出现一个乱码的报错，意思好像是sift找不到，这就把install\x64\vc14\bin下的dll文件都拷到c:/windows/system32
(这个不知道可不可以在程序中加载，要不挺头疼的)
使用代码测试，能跑起来就没问题了，暂时就想起这么多了，如果有什么忘记的之后再补
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
//#include <opencv2/>
using namespace std;
using namespace cv;
//这里进行dll库的引用 看看怎么不用直接添加到系统里就可以直接使用
int main()
{
cv::Mat imageL = cv::imread("1.jpg");
cv::Mat imageR = cv::imread("2.jpg");
//提取特征点方法
//SIFT
cv::Ptr<cv::xfeatures2d::SIFT> sift = cv::xfeatures2d::SIFT::create();
//ORB
//cv::Ptr<cv::ORB> orb = cv::ORB::create();
//SURF
//cv::Ptr<cv::xfeatures2d::SURF> surf = cv::xfeatures2d::SURF::create();
//特征点
std::vector<cv::KeyPoint> keyPointL = {}, keyPointR = {};
//单独提取特征点
sift->detect(imageL, keyPointL);
sift->detect(imageR, keyPointR);
//画特征点
cv::Mat keyPointImageL;
cv::Mat keyPointImageR;
drawKeypoints(imageL, keyPointL, keyPointImageL, cv::Scalar::all(-1), cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
drawKeypoints(imageR, keyPointR, keyPointImageR, cv::Scalar::all(-1), cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
//显示窗口
cv::namedWindow("KeyPoints of imageL");
cv::namedWindow("KeyPoints of imageR");
//显示特征点
cv::imshow("KeyPoints of imageL", keyPointImageL);
cv::imshow("KeyPoints of imageR", keyPointImageR);
//特征点匹配
cv::Mat despL, despR;
//提取特征点并计算特征描述子
sift->detectAndCompute(imageL, cv::Mat(), keyPointL, despL);
sift->detectAndCompute(imageR, cv::Mat(), keyPointR, despR);
//Struct for DMatch: query descriptor index, train descriptor index, train image index and distance between descriptors.
//int queryIdx –>是测试图像的特征点描述符（ descriptor ）的下标，同时也是描述符对应特征点（keypoint)的下标。
//int trainIdx –> 是样本图像的特征点描述符的下标，同样也是相应的特征点的下标。
//int imgIdx –>当样本是多张图像的话有用。
//float distance –>代表这一对匹配的特征点描述符（本质是向量）的欧氏距离，数值越小也就说明两个特征点越相像。
std::vector<cv::DMatch> matches;
//如果采用 flannBased 方法 那么 desp通过orb的到的类型不同需要先转换类型
if (despL.type() != CV_32F || despR.type() != CV_32F)
{
despL.convertTo(despL, CV_32F);
despR.convertTo(despR, CV_32F);
}
cv::Ptr<cv::DescriptorMatcher> matcher = cv::DescriptorMatcher::create("FlannBased");
matcher->match(despL, despR, matches);
//计算特征点距离的最大值
double maxDist = 0;
for (int i = 0; i < despL.rows; i++)
{
double dist = matches[i].distance;
if (dist > maxDist)
maxDist = dist;
}
//挑选好的匹配点
std::vector< cv::DMatch > good_matches;
for (int i = 0; i < despL.rows; i++)
{
if (matches[i].distance < 0.5 * maxDist)
{
good_matches.push_back(matches[i]);
}
}
cv::Mat imageOutput;
cv::drawMatches(imageL, keyPointL, imageR, keyPointR, good_matches, imageOutput);
cv::namedWindow("picture of matching");
cv::imshow("picture of matching", imageOutput);
cv::waitKey(0);
return 0;
}
https://blog.csdn.net/hellohake/article/details/104949245
https://blog.csdn.net/u011447369/article/details/107427137
https://blog.csdn.net/Winder_Sky/article/details/79380836
opencv3.4.8编译opencv-contrib并使用sift
原文：https://www.cnblogs.com/philokami/p/13401632.html