OpenCV39:特征匹配+单应性矩阵查找对象

2021-12-03 18:30:00 阅读：160 来源： 互联网

标签：good 匹配单应性 OpenCV39 cv2 找到查找 params pts

目标

在本章中，将学习

将从Calib3D模块中混淆特征匹配和找到（单应性矩阵）homography，以查找复杂图像中的已知对象。

基础

在之前的内容中，使用了一个query image，在其中找到了一些特征点，拍摄了另一张train image，也在该图像中找到了特征，找到了其中最好的匹配。简而言之，在另一张杂乱的图像中找到了物体某些部分的位置。该信息足以准确地在train image上找到对象。

为此，可以使用calib3d模块的函数，即cv2.findHomography()。如果从图像中传递一组点，它将找到该对象的透视变换。然后可以使用cv2.perspectiveTransform()以查找对象。至少需要四个正确的点才能找到转换。

之前的内容中可以看到，匹配的时候可能存在一些可能的错误，这可能会影响结果。为了解决这个问题，算法使用RANSAC或LEAST_MEDIAN（可以由标志决定）。如此良好的匹配，提供正确估计称为inliers，并且剩余的称为异常值。cv2.findhomography()返回一个掩码，指定Inlier和异常值

实现

首先，像往常一样，在图像中查找SIFT特征，并应用比率测试来找到最佳匹配。

现在设置了一个至少10的匹配（由min_match_count定义）的条件是在那里找到对象。否则简单地显示一条消息，表明不够匹配。

**如果找到有足够的匹配，将在两个图像中提取匹配项点的位置。**通过以找到相似的转变。一旦获得此3x3转换矩阵，将使用它将QueryImage的角转换为TrainImage中的对应点，然后画出来。

import cv2
import numpy as np
from matplotlib import pyplot as plt

MIN_MATCH_COUNT = 10

img1 = cv2.imread('box2.png', 0)  # query image
img2 = cv2.imread('box_in_scene.png', 0)  # train image

# Initial SIFT detector
sift = cv2.xfeatures2d.SIFT_create()

# find the keypoints and descriptiors with SIFT
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
search_params = dict(checks=50)

flann = cv2.FlannBasedMatcher(index_params, search_params)

matches = flann.knnMatch(des1, des2, k=2)

# store all the good matches as per lows ratio test
good = []
for m, n in matches:
    if m.distance < 0.7 * n.distance:
        good.append(m)
        
if len(good) > MIN_MATCH_COUNT:
    src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1,1,2)
    dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1,1,2)
    
    M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)
    matchesMask = mask.ravel().tolist()
    
    h, w = img1.shape
    pts = np.float32([[0, 0], [0, h-1], [w-1, h-1], [w-1, 0]]).reshape(-1, 1, 2)
    dst = cv2.perspectiveTransform(pts, M)
    
    img2 = cv2.polylines(img2, [np.int32(dst)], True, 255, 3, cv2.LINE_AA)
else:
    print("Not enough matches are found - {} / {}".format(len(good), MIN_MATCH_COUNT))
    matchesMask = None

draw_params = dict(
    matchColor=(0, 255, 0),
    singlePointColor=None,
    matchesMask=matchesMask,
    flags=2)

img3 = cv2.drawMatches(img1, kp1, img2, kp2, good, None, **draw_params)
plt.imshow(img3, 'gray')
plt.show()

结果如下。在杂乱图像中用白色颜色标记匹配的物体
在这里插入图片描述

附加资源

标签：good,匹配,单应性,OpenCV39,cv2,找到,查找,params,pts
来源： https://blog.csdn.net/uncle_ll/article/details/121703211

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

OpenCV39:特征匹配+单应性矩阵查找对象

目标

基础

实现

附加资源