学习《OpenCV应用开发:入门、进阶与工程化实践》一书
做真正的OpenCV开发者,从入门到入职,一步到位!
边缘模板匹配的基本原理
OpenCV中自带的模板匹配算法,完全是像素基本的模板匹配,特别容易受到光照影响,光照稍微有所不同,该方法就会歇菜了!搞得很多OpenCV初学者刚学习到该方法时候很开心,一用该方法马上很伤心,悲喜交加,充分感受到了理想与现实的距离,不过没关系,这里介绍一种新的模板匹配算法,主要是基于图像边缘梯度,它对图像光照与像素迁移都有很强的抗干扰能力,在工业应用场景中已经得到广泛使用。基本原理主要是基于梯度跟边缘实现NCC计算与匹配,首先计算梯度:
然后基于梯度,实现非最大抑制与边缘提取以后,就得到了所有的边缘点集,每个边缘点有三个值,分别是:
x方向梯度、
y方向梯度、
xy方向梯度
然后对输入的每张图像,根据模板图像的每个边缘点计算NCC,得到匹配阈值,开启匹配搜索:
如果其中任何一个点的匹配阈值小于minScore就停止搜索与匹配当前像素点,继续搜索下一个,直到遍历完成所有像素点,得到匹配得分图像。然后采用跟NCC相似的处理,去重以后得到最终匹配结果。
代码实现与演示
说实话我也不是从零开始的,之前我写过一个版本,但是我发现一个别人写好的一个原始版本,好像是这个算法的作者自己写,基于OpenCV3.x版本完成的,链接如下:
https://github.com/daxiaHuang/edge-template-match/tree/master
同时原始版本 不支持 多角度、多对象、多尺度,所以我在这个上面一通狂改,就让它各种支持了,这个大概花了我三天时间。最终我给他们封装成两个类,配合上Qt C++ 的一个界面,通过点点鼠标即可运行。客户端直接调用API即可,客户端代码如下:
task.initailization(tpl);
double start = (double)cv::getTickCount();
task.detect(target, results);
float time = (((double)cv::getTickCount() - start)) / cv::getTickFrequency();
std::cout << "edge template match execute time: " << time << std::endl;
for (auto item : results) {for (auto pt : item.pts) {cv::circle(result, pt, 1, cv::Scalar(0, 255, 0), 1, 8);}cv::RotatedRect rrt = cv::minAreaRect(item.pts);cv::Point2f minbox[4];rrt.points(minbox);for (int r = 0; r < 4; r++){cv::line(result, minbox[r], minbox[(r + 1) % 4], cv::Scalar(0, 0, 255), 2, 8);}std::cout << "conf: " << item.conf << std::endl;cv::putText(result, cv::format("conf:%.2f, angle:%d", item.conf, item.angle), item.center, cv::FONT_HERSHEY_SIMPLEX, .5, cv::Scalar(255, 0, 0), 1, 8);
}cv::imshow("边缘模板匹配", result);
cv::waitKey(0);
边缘匹配运行结果 - 测试一
速度测试数据:执行时间: 126.06 ms
速度测试数据:执行时间: 229.82 ms
速度测试数据:执行时间: 117.60 ms
速度测试数据:执行时间: 405.60 ms
最后一张测试目标图像大小为 830x822,目标数目为13
最后说明
演示基于QT + OpenCV C++ 完成,源码购买站内私信博主即可!
好书推荐
《OpenCV应用开发:入门、进阶与工程化实践》全书共计16个章节,重点聚焦OpenCV开发常用模块详解与工程化开发实践,提升OpenCV应用开发能力,助力读者成为OpenCV开发者,同时包含深度学习模型训练与部署加速等知识,帮助OpenCV开发者进一步拓展技能地图,满足工业项目落地所需技能提升。购买请点链接:
《OpenCV4 应用开发-入门、进阶与工程化实践》
学习课程有专属答疑群,负责贴身答疑解惑
读者专属QQ群 :657875553
进群暗号:OpenCV4读者