当前位置：首页 > article >正文

落地基于特征的对象检测

article 2025/1/31 2:24:11

首先要通过暴力匹配对比出图像和目标图像的相同点

using namespace std;

int main(int argc, char** argv) {
   // Mat image = imread("D:/images/butterfly.jpg");
   Mat book = imread("C:/newword/image/29.jpg");
   Mat book_on_desk = imread("C:/newword/image/30.jpg");
   imshow("book", book);
   auto orb = ORB::create(500);
   vector<KeyPoint> kypts_book;
   vector<KeyPoint> kypts_book_on_desk;
   Mat desc_book, desc_book_on_desk;
   orb->detectAndCompute(book, Mat(), kypts_book, desc_book);
   orb->detectAndCompute(book_on_desk, Mat(), kypts_book_on_desk, desc_book_on_desk);
   Mat result;
   auto bf_matcher = BFMatcher::create(NORM_HAMMING, false);
   vector<DMatch> matches;
   bf_matcher->match(desc_book, desc_book_on_desk, matches);
   float good_rate = 0.15f;//用于筛选相同点位
   int num_good_matches = matches.size() * good_rate;
   std::cout << num_good_matches << std::endl;
   std::sort(matches.begin(), matches.end());//从高到低排序
   matches.erase(matches.begin() + num_good_matches, matches.end());//筛选目标点位
   drawMatches(book, kypts_book, book_on_desk, kypts_book_on_desk, matches, result);//绘制
   imshow("暴力匹配23", result);

接下来处理锁定目标图片

   vector<Point2f> obj_pts;
   vector<Point2f> scene_pts;
   for (size_t t = 0; t < matches.size(); t++) {
       obj_pts.push_back(kypts_book[matches[t].queryIdx].pt);
       scene_pts.push_back(kypts_book_on_desk[matches[t].trainIdx].pt);
   }//

用作对比

在OpenCV的特征匹配相关操作中，queryIdx 和 trainIdx 用于区分不同图像中的特征点索引，.pt 用于获取对应特征点的坐标，它们的区别如下：

• queryIdx 及 queryIdx].pt：queryIdx 是指在查询图像（query image）的特征点集合中的索引。比如在进行图像匹配时，将一幅图像设为查询图像，要在另一幅图像中找与它匹配的部分，queryIdx 就用来索引查询图像中的特征点，queryIdx].pt 就是通过该索引获取到的查询图像中特征点的坐标。

• trainIdx 及 trainIdx].pt：trainIdx 是在训练图像（train image）的特征点集合中的索引。在图像匹配任务里，训练图像是用来与查询图像进行匹配对比的图像，trainIdx 用于索引训练图像中的特征点，trainIdx].pt 就是获取到的训练图像中对应特征点的坐标。

例如在代码 obj_pts.push_back(kypts_book[matches[t].queryIdx].pt); 与 scene_pts.push_back(kypts_book_on_desk[matches[t].trainIdx].pt); 中，queryIdx 用于从 kypts_book（可视为查询图像的特征点集）中取点，trainIdx 用于从 kypts_book_on_desk（可视为训练图像的特征点集）中取点，分别获取在不同图像中相互匹配的特征点坐标。

Mat h = findHomography(obj_pts, scene_pts, RANSAC);//

功能

findHomography函数用于计算两个平面之间的单应性矩阵。简单来说，就是在已知两组对应点的情况下，找到一个能够将一组点通过透视变换映射到另一组点的变换矩阵，这个矩阵就被称为单应性矩阵。它在图像配准、图像拼接、相机标定等计算机视觉任务中有着广泛的应用。

● obj_pts：这是源图像（这里指 book 图像）中匹配点的坐标集合，作为单应性矩阵计算的输入点集之一。这些点将通过计算得到的单应性矩阵映射到目标图像中的对应位置。

● scene_pts：目标图像（book_on_desk 图像）中与 obj_pts 对应的匹配点坐标集合。它与 obj_pts 共同决定了单应性矩阵的计算，使得通过该矩阵能够将 obj_pts 中的点尽可能准确地映射到 scene_pts 中的位置。

● RANSAC：这是指定的计算单应性矩阵的方法，即随机抽样一致性（Random Sample Consensus）算法。由于在实际的特征匹配中，可能存在误匹配点（外点），RANSAC 算法能够通过多次随机抽样，从包含外点的数据中估计出最优的单应性矩阵。它会尝试不同的点对组合来计算单应性矩阵，并根据重投影误差来判断哪些点是内点（正确匹配的点）。经过多次迭代，选择内点数量最多的那个单应性矩阵作为最终结果，从而提高了单应性矩阵计算的准确性和鲁棒性。

   vector<Point2f> srcPts;
   srcPts.push_back(Point2f(0, 0));
   srcPts.push_back(Point2f(book.cols, 0));
   srcPts.push_back(Point2f(book.cols, book.rows));
   srcPts.push_back(Point2f(0, book.rows));

std::vector<Point2f> dstPts(4);
perspectiveTransform(srcPts, dstPts, h);

perspectiveTransform 通常是计算机视觉库（如OpenCV）中的一个函数，用于执行透视变换操作，以下是关于它的详述：

函数功能

perspectiveTransform 主要用于对一组点或图像进行透视变换。它根据给定的透视变换矩阵，将源坐标系统中的点映射到目标坐标系统中，实现图像的视角变换、校正等操作，常用于图像校正、图像拼接、目标识别等计算机视觉任务。

在perspectiveTransform函数中，dst是结合src和m来输出的。具体来说：

● src是输入的源数据，它可以是一组点的坐标集合，也可以是一幅图像等数据，代表了要进行透视变换的原始对象。

● m是3×3的透视变换矩阵，它定义了从源坐标系统到目标坐标系统的映射关系，决定了透视变换的具体方式和效果，比如旋转、缩放、平移、扭曲等操作的组合。

● dst作为函数的输出参数，根据src提供的原始数据，按照m所定义的变换规则，存储经过透视变换后的结果。函数通过将src中的每个元素（如点的坐标）与变换矩阵m进行相应的数学运算，来计算出在目标空间中的新位置，并将结果存储到dst中。

   for (int i = 0; i < 4; i++) {
       line(book_on_desk, dstPts[i], dstPts[(i + 1) % 4], Scalar(0, 0, 255), 2, 8, 0);
   }
   imshow("暴力匹配", result);
   namedWindow("对象检测", WINDOW_FREERATIO);
   imshow("对象检测", book_on_desk);
   imwrite("C:/newword/31.jpg", book_on_desk);
   waitKey(0);
   return 0;
}

查看全文

http://www.kler.cn/a/521993.html