标签: feature-detection

我正在尝试使用 OpenCV（用于 C++）的 BRISK 实现来检查照片是否包含图像（或图像的一部分）。例如，我拍了一张照片，然后尝试匹配它使用数据库中的一组图像，我想选择最佳的对应图像（如果所有图像都不够好，则会显示错误消息）。

所以，我目前只是在测试 OpenCV。我只是采用了框架中包含的示例 (matching_to_many_images)，并将检测器和描述符从 SURF 更改为 BRISK。

但是，我有奇怪的结果。这些是匹配的结果（BruteForce Hamming）：

在第一个中，场景完全不同，但有很多匹配！在第二个中，场景非常相似，但有些匹配是错误的。

我认为这是一个参数问题——因为在 BRISK 的演示视频中，结果很重要。

OpenCV 能否检测到如下所示的手工绘制的几何形状？形状可以是矩形、三角形、圆形、曲线、圆弧、多边形……我将开发一个检测这些形状的 android 应用程序。

我正在实现立体匹配，并且作为预处理，我正在尝试在不进行相机校准的情况下校正图像。我正在使用冲浪检测器来检测和匹配图像上的特征并尝试对齐它们。找到所有匹配项后，我使用以下函数删除所有不在极线上的匹配项：

[fMatrix, epipolarInliers, status] = estimateFundamentalMatrix(...
  matchedPoints1, matchedPoints2, 'Method', 'RANSAC', ...
  'NumTrials', 10000, 'DistanceThreshold', 0.1, 'Confidence', 99.99);

inlierPoints1 = matchedPoints1(epipolarInliers, :);
inlierPoints2 = matchedPoints2(epipolarInliers, :);

figure; showMatchedFeatures(I1, I2, inlierPoints1, inlierPoints2);
legend('Inlier points in I1', 'Inlier points in I2');

问题是，如果我使用相同的数据运行此函数，我仍然会得到不同的结果，导致每次运行相同数据时结果视差图存在差异。推测匹配点仍然相同，但内联点在每次运行中有所不同。在这里您可以看到一些匹配结果不同：

更新：我认为差异是由 RANSAC 方法引起的，但是使用 LMedS、MSAC，我仍然在相同的数据上得到不同的结果

我通过在 features2d 框架中使用不同的检测器从连续两个中获得特征点：

在第一帧中，特征点以红色绘制

在下一帧中，特征点以蓝色绘制

我想在第一帧（带有红点的图像）内的这些红色和蓝色（匹配）点之间画一条线。 opencv中的drawmatches函数没有帮助，因为它显示一个窗口，其中两个连续帧彼此相邻以进行匹配。在 OpenCV 中可以吗？

提前致谢

我正在使用低分辨率 (VGA) 和 jpg 压缩的图像序列在移动机器人上进行视觉导航。目前我正在使用 SURF 来检测关键点并从图像中提取描述符，并使用 FLANN 来跟踪它们。在应用 RANSAC（通常会减少 20% 的匹配数量）之前，我每张图像得到 4000-5000 个特征，通常每对连续图像进行 350-450 个匹配

我正在努力增加比赛的数量（和质量）。我尝试了另外两种检测器：SIFT 和 ORB。SIFT 显着增加了特征的数量（总体上增加了 35% 的跟踪特征），但速度要慢得多。ORB 提取的特征大致与 SURF 一样多，但匹配性能要差得多（在最好的情况下大约为 100 个匹配）。我在 ORB 的 opencv 中的实现是：

cv::ORB orb = cv::ORB(10000, 1.2f, 8, 31);
orb(frame->img, cv::Mat(), im_keypoints, frame->descriptors);
frame->descriptors.convertTo(frame->descriptors, CV_32F); //so that is the same type as m_dists

然后，在匹配时：

cv::Mat m_indices(descriptors1.rows, 2, CV_32S);
cv::Mat m_dists(descriptors1.rows, 2, CV_32F);
cv::flann::Index flann_index(descriptors2, cv::flann::KDTreeIndexParams(6));
flann_index.knnSearch(descriptors1, m_indices, m_dists, 2, cv::flann::SearchParams(64) );

在处理低分辨率和嘈杂的图像时，最好的特征检测器和提取器是什么？我应该根据使用的特征检测器更改 FLANN 中的任何参数吗？

编辑：

我发布了一些相当容易跟踪的序列的图片。这些图片是我将它们提供给特征检测器方法的。它们已经过预处理以消除一些噪音（通过 cv::bilateralFilter()）

我刚刚编写了 C++ OpenCV 2.4.7 代码来使用 SurfFeatureDetector 提取立体图像中的特征点。它工作得很好，但是当我意识到点坐标是浮点时我感到困惑，例如它发现坐标 [283.23 123.424] 作为左图像中的特征之一。

这是代码的一部分（简单地提取特征）：

int minHessian = 400;

SurfFeatureDetector detector(minHessian);
vector<KeyPoint> featuresLeft, featuresRight;

detector.detect(leftImg, featuresLeft);
detector.detect(rightImg, featuresRight);

谁能告诉我这是怎么发生的？内置函数是否涉及任何插值？

我需要检测图像上的不同形状,如椭圆和带有虚线边框的圆圈.

使用OpenCV会导致一些麻烦,例如openCV检测不到轮廓而是检测到一些小的分离线(轮廓).如果椭圆带有"虚线边框",我需要将其作为单个轮廓,而不是分离的对象.

你有什么建议来解决这个问题？

我还需要识别带有实线边框的椭圆(或圆圈)和带有虚线边框的椭圆(圆圈)

椭圆形,边框实线

带虚线边框的椭圆:

我正在使用 Python 和 OpenCV 3.0，我正在尝试评估两个图像的 SIFT 描述符。更具体地说，我对重复率感兴趣。在 C++ 中有这个函数用于执行评估：

 cv::evaluateFeatureDetector(img_1c, img_2c, h12, &key_points_1, &key_points_2, repeatability, corrCounter); 

但是，我还没有在 Python 中找到任何实现，我也不太明白如何（以及是否）可以使用此函数。有没有其他方法可以计算python中的重复率？

通过阅读有关 stackoverflow 的一些答案，到目前为止我已经学到了很多东西：

掩码必须是一个numpy数组（与图像具有相同的形状），其数据类型CV_8UC1为0到255。

但是，这些数字的含义是什么？是否在检测过程中将忽略任何具有相应掩码值为 0 的像素而将使用任何掩码值为 255 的像素？中间的值呢？

另外，如何在pythonnumpy中用数据类型初始化数组CV_8UC1？我可以用吗dtype=cv2.CV_8UC1

这是我目前使用的代码，基于我在上面所做的假设。但问题是当我detectAndCompute为任一图像运行时，我没有得到任何关键点。我有一种感觉，这可能是因为掩码不是正确的数据类型。如果我是对的，我该如何纠正？

# convert images to grayscale
base_gray = cv2.cvtColor(self.base, cv2.COLOR_BGRA2GRAY)
curr_gray = cv2.cvtColor(self.curr, cv2.COLOR_BGRA2GRAY)

# initialize feature detector
detector = cv2.ORB_create()

# create a mask using the alpha channel of the original image--don't
# use transparent or partially transparent parts
base_cond = self.base[:,:,3] == 255
base_mask = np.array(np.where(base_cond, 255, 0))

curr_cond = self.base[:,:,3] == 255 …

我想做一个关于标志检测的简单项目。所以我尝试遵循关于特征检测的 OpenCV-Python 教程。OpenCV：特征匹配

我写了我的代码，如下所示。

ratio = 0.8
logo = cv.imread("T01/CocaCola_logo2.png", cv.IMREAD_GRAYSCALE)
img = cv.imread("T01/CocaCola.png", cv.IMREAD_GRAYSCALE)

orb = cv.ORB_create()
kp_logo, des_logo = orb.detectAndCompute(logo, None)
kp_img, des_img = orb.detectAndCompute(img, None)

FLANN_INDEX_LSH = 6
index_params = dict(algorithm=FLANN_INDEX_LSH,
                    table_number=6,
                    key_size=12,
                    multi_probe_level=1)
search_params = dict(checks=50)
flann = cv.FlannBasedMatcher(index_params, search_params)
match_flann = flann.knnMatch(des_logo, des_img, k=2)

good = []
for p, q in match_flann:
    if p.distance > q.distance*ratio:
        good.append(p)

try:
    img_match = np.empty((max(logo.shape[0], img.shape[0]), logo.shape[1] + img.shape[1], 3), dtype=np.uint8)
    cv.drawMatchesKnn(logo, kp_logo, img, kp_img, good,
                      outImg=img_match, matchColor=None, …