特征匹配 + 单应性查找对象

作者|OpenCV-Python Tutorials
编译|Vincent
来源|OpenCV-Python Tutorials

目标

在本章节中，

  • 我们将把calib3d模块中的特征匹配和findHomography混合在一起，以在复杂图像中找到已知对象。

基础

那么我们在上一环节上做了什么？我们使用了queryImage，找到了其中的一些特征点，我们使用了另一个trainImage，也找到了该图像中的特征，并且找到了其中的最佳匹配。简而言之，我们在另一个混乱的图像中找到了对象某些部分的位置。此信息足以在trainImage上准确找到对象。

为此，我们可以使用calib3d模块中的函数，即cv.findHomography()。如果我们从两个图像中传递点集，它将找到该对象的透视变换。然后，我们可以使用cv.perspectiveTransform()查找对象。找到转换至少需要四个正确的点。

我们已经看到，匹配时可能会出现一些可能影响结果的错误。为了解决这个问题，算法使用RANSAC或LEAST_MEDIAN（可以由标志决定）。因此，提供正确估计的良好匹配称为“内部点”，其余的称为“外部点”。cv.findHomography()返回指定内部和外部点的掩码。

让我们开始吧！！！

代码

首先，像往常一样，让我们​​在图像中找到SIFT功能并应用比例测试以找到最佳匹配。

  1. import numpy as np
  2. import cv2 as cv
  3. from matplotlib import pyplot as plt
  4. MIN_MATCH_COUNT = 10
  5. img1 = cv.imread('box.png',0)          # 索引图像
  6. img2 = cv.imread('box_in_scene.png',0) # 训练图像
  7. # 初始化SIFT检测器
  8. sift = cv.xfeatures2d.SIFT_create()
  9. # 用SIFT找到关键点和描述符
  10. kp1, des1 = sift.detectAndCompute(img1,None)
  11. kp2, des2 = sift.detectAndCompute(img2,None)
  12. FLANN_INDEX_KDTREE = 1
  13. index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
  14. search_params = dict(checks = 50)
  15. flann = cv.FlannBasedMatcher(index_params, search_params)
  16. matches = flann.knnMatch(des1,des2,k=2)
  17. # ＃根据Lowe的比率测试存储所有符合条件的匹配项。
  18. good = []
  19. for m,n in matches:
  20.     if m.distance < 0.7*n.distance:
  21.         good.append(m)

现在我们设置一个条件，即至少有10个匹配项（由MIN_MATCH_COUNT定义）可以找到对象。否则，只需显示一条消息，说明没有足够的匹配项。

如果找到足够的匹配项，我们将在两个图像中提取匹配的关键点的位置。他们被传递以寻找预期的转变。一旦获得了这个3x3转换矩阵，就可以使用它将索引图像的角转换为训练图像中的相应点。然后我们画出来。

  1. if len(good)>MIN_MATCH_COUNT:
  2.     src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1,1,2)
  3.     dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1,1,2)
  4.     M, mask = cv.findHomography(src_pts, dst_pts, cv.RANSAC,5.0)
  5.     matchesMask = mask.ravel().tolist()
  6.     h,w,d = img1.shape
  7.     pts = np.float32([ [0,0],[0,h-1],[w-1,h-1],[w-1,0] ]).reshape(-1,1,2)
  8.     dst = cv.perspectiveTransform(pts,M)
  9.     img2 = cv.polylines(img2,[np.int32(dst)],True,255,3, cv.LINE_AA)
  10. else:
  11.     print( "Not enough matches are found - {}/{}".format(len(good), MIN_MATCH_COUNT) )
  12.     matchesMask = None

最后，我们绘制内部线（如果成功找到对象）或匹配关键点（如果失败）。

  1. draw_params = dict(matchColor = (0,255,0), # 用绿色绘制匹配
  2.                    singlePointColor = None,
  3.                    matchesMask = matchesMask, # 只绘制内部点
  4.                    flags = 2)
  5. img3 = cv.drawMatches(img1,kp1,img2,kp2,good,None,**draw_params)
  6. plt.imshow(img3, 'gray'),plt.show()

请参阅下面的结果。对象在混乱的图像中标记为白色：

特征匹配 + 单应性查找对象 - 图1

附加资源

练习