OpenCV特征匹配和單應(yīng)性矩陣查找對象詳解

更新時(shí)間：2023年04月26日 11:13:44 作者：uncle_ll

這篇文章主要為大家介紹了OpenCV特征匹配和單應(yīng)性矩陣查找對象詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

目標(biāo)

在本章中，將學(xué)習(xí)

將從Calib3D模塊中混淆特征匹配和找到（單應(yīng)性矩陣）homography，以查找復(fù)雜圖像中的已知對象。

基礎(chǔ)

在之前的內(nèi)容中，使用了一個(gè)query image，在其中找到了一些特征點(diǎn)，拍攝了另一張train image，也在該圖像中找到了特征，找到了其中最好的匹配。簡而言之，在另一張雜亂的圖像中找到了物體某些部分的位置。該信息足以準(zhǔn)確地在train image上找到對象。

為此，可以使用calib3d模塊的函數(shù)，即cv2.findHomography()。如果從圖像中傳遞一組點(diǎn)，它將找到該對象的透視變換。然后可以使用cv2.perspectiveTransform()以查找對象。至少需要四個(gè)正確的點(diǎn)才能找到轉(zhuǎn)換。

之前的內(nèi)容中可以看到，匹配的時(shí)候可能存在一些可能的錯(cuò)誤，這可能會(huì)影響結(jié)果。為了解決這個(gè)問題，算法使用RANSAC或LEAST_MEDIAN（可以由標(biāo)志決定）。如此良好的匹配，提供正確估計(jì)稱為inliers，并且剩余的稱為異常值。cv2.findhomography()返回一個(gè)掩碼，指定Inlier和異常值

實(shí)現(xiàn)

首先，像往常一樣，在圖像中查找SIFT特征，并應(yīng)用比率測試來找到最佳匹配。

現(xiàn)在設(shè)置了一個(gè)至少10的匹配（由min_match_count定義）的條件是在那里找到對象。否則簡單地顯示一條消息，表明不夠匹配。

**如果找到有足夠的匹配，將在兩個(gè)圖像中提取匹配項(xiàng)點(diǎn)的位置。**通過以找到相似的轉(zhuǎn)變。一旦獲得此3x3轉(zhuǎn)換矩陣，將使用它將QueryImage的角轉(zhuǎn)換為TrainImage中的對應(yīng)點(diǎn)，然后畫出來。

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()

結(jié)果如下。在雜亂圖像中用白色顏色標(biāo)記匹配的物體

在這里插入圖片描述