检测类似于圆圈的对象

Question

我正在尝试使用OpenCV检测与圆形相似的对象HoughCircles.问题是:HoughCircles在某些情况下无法检测到此类对象.

有没有人知道任何替代方法来检测像这些圆圈类似的对象？

更新

更新

Hello Folks我正在添加一个检测方法结果的gif.

使用gif更容易解释问题.我想要删除的不良效果是圆圈大小变化.即使对于像右边那样的静态形状,左边的结果也是不精确的.有谁知道解决方案吗？

更新 我需要的所有东西都是它的直径.我用它完成了findContours.现在,findContours当使用openCV和OpenMP时,我无法使用它.有没有人知道findContours的快速替代品？

更新

我用来检测这些形状的代码.

     for (int j=0; j<=NUM_THREADS-1;j++)
        {
            capture >> frame[j];
        }


        #pragma omp parallel shared(frame,processOutput,circles,diameterArray,diameter) 
        {  

            int n=omp_get_thread_num();
            cvtColor( frame[n], processOutput[n], CV_BGR2GRAY);

            GaussianBlur(processOutput[n],  processOutput[n],  Size(9, 9), 2, 2);
            threshold(processOutput[n],  processOutput[n], 21, 250, CV_THRESH_BINARY);

            dilate(processOutput[n],  processOutput[n], Mat(), Point(-1, -1), 2, 1, 1);
            erode(processOutput[n],  processOutput[n], Mat(), Point(-1, -1), 2, 1, 1);

            Canny(processOutput[n],  processOutput[n], 20, 20*2, 3 );

            HoughCircles( processOutput[n],circles[n], CV_HOUGH_GRADIENT, 1, frame[n].rows/8, 100,21, 50, 100);

        }

        #pragma omp parallel private(m, n) shared(circles)
        {
            #pragma omp for
            for (n=0; n<=NUM_THREADS-1;n++)
            {
                for( m = 0; m < circles[n].size(); m++ ) 
                {
                    Point center(cvRound(circles[n][m][0]), cvRound(circles[n][m][2]));
                    int radius = cvRound(circles[n][m][3]);
                    diameter = 2*radius;
                    diameterArray[n] = diameter;
                    circle( frame[0], center, 3, Scalar(0,255,0), -1, 8, 0 );
                    circle( frame[0], center, radius, Scalar(0,0,255), 3, 8, 0 );
                }   
            }
        }

Answer 1

根据新的描述以及附加的性能和准确性要求进行编辑。

这超出了“OpenCV 示例项目”的范围，进入了实际应用程序开发的领域。性能和准确性都成为要求。

这需要多种技术的结合。因此，不要只选择一种方法。您必须尝试所有方法的组合，并微调参数以找到可接受的组合。

#1. 连续视频帧识别任务的总体方法

• 使用缓慢但准确的方法来获取初始检测结果。

• 一旦在一帧上发现阳性检测，下一帧应该使用在最近帧上检测到的位置切换到快速局部搜索算法。

提醒一下，不要忘记更新“最近位置”以供下一帧使用。

#2. 初始对象获取的建议。

• 坚持您当前的方法，并采纳建议。

• 您仍然可以微调速度和精度之间的平衡，因为当使用本地搜索方法处理下一帧时，将更新和细化正确但不精确的结果（偏差数十个像素）。

  • 尝试我增加dp参数的建议。

_{较大的值dp会降低执行霍夫梯度变换的分辨率。这会降低中心坐标的精度，但会提高检测凹痕圆的机会，因为当以较低分辨率执行变换时，凹痕将变得不那么明显。}

_{另一个好处是降低分辨率可以运行得更快。}

#3。针对先前检测到的位置进行快速本地搜索的建议

_{由于搜索空间和所需数据量有限，因此可以使本地搜索既快速又精确。}

为了通过视频帧跟踪虹膜边界的运动，我建议使用一系列称为Snakes 模型的算法。

重点是通过轮廓跟踪边缘的运动。有很多算法可以实现 Snakes 模型。不幸的是，大多数实现都是针对非常复杂的形状识别而定制的，这对于您的项目来说是一种矫枉过正并且速度太慢。

基本思想：（假设前面的结果是一条曲线）

1. 在曲线上选择一些采样点。
2. 使用旧帧的位置扫描新帧上每个采样点的边缘轮廓（垂直于曲线）。寻找最明显的变化。
3. 记住该采样点的新边缘位置。
4. 更新所有采样点后，通过连接所有更新的采样点位置来创建一条新曲线。

您可以在互联网上找到多种不同复杂程度的实现。不幸的是，据报道，用 OpenCV 打包的那个可能运行得不太好。您可能必须尝试不同的开源实现，最终您可能必须实现一种简单但适合您项目需求的开源实现。

＃4。寻求有关速度优化尝试的建议。

• 使用软件性能分析器。

• 在每次调用 OpenCV 函数时添加一些计时和日志记录代码，以打印出每个步骤所花费的时间。你会感到惊讶的。原因是某些 OpenCV 函数比其他函数更加向量化和并行化，这也许是出于热爱的结果。

• 不幸的是，对于最慢的步骤 - 初始对象获取，没有太多可以并行化的东西（通过多线程）。

_{这对您来说可能已经很明显了，因为您没有放置#pragma omp for第一个代码块。（无论如何，这都没有帮助。）}

• 矢量化（SIMD）只会有利于像素级处理。如果 OpenCV 实现了它，那就太好了；如果没有，您无能为力。

_{我的猜测是cvtColor, GaussianBlur, threshold, dilate,erode可以被矢量化，但其他的可能不是。}