如何在图像处理中提取模式识别算法中的特定特征以进行对象检测？

Question

我想近距离检测物体（飞机门）。该算法应该非常稳健，因此可以在任何飞机（有许多不同的绘画、标志）和任何天气条件（太阳、雨天、白天和黑夜）下实现。

我在 OpenCV 中搜索并实现了其中一些特征提取算法，例如 SURF 、 SIFT 和 ORB ，但结果不是很好。

这里是使用 ORB 特征检测器的代码

#include "opencv2/opencv_modules.hpp"
#include <stdio.h>

#ifndef HAVE_OPENCV_NONFREE

int main(int, char**)
{
    printf("The sample requires nonfree module that is not available in your OpenCV distribution.\n");
    return -1;
}

#else

#include "opencv2/core/core.hpp"
#include "opencv2/features2d/features2d.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/nonfree/nonfree.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
#include <stdlib.h>

using namespace cv;
using namespace std;

static void help()
{
    printf("\nThis program demonstrates using features2d detector, descriptor extractor and simple matcher\n"
            "Using the SURF desriptor:\n"
            "\n"
            "Usage:\n matcher_simple <image1> <image2>\n");
}

Mat src;Mat src_gray;
int thresh = 5;
int max_thresh = 600;
RNG rng(12345);

void thresh_callback(int, void* );

int main(int argc, char** argv)
{


    Mat img1;
    Mat img2;
    img1= imread("a350_1.jpg", CV_LOAD_IMAGE_GRAYSCALE);
    resize(img1, img1, Size(700,500), 0, 0, INTER_CUBIC);
    img2= imread("a350_1.jpg", CV_LOAD_IMAGE_GRAYSCALE);
    resize(img2, img2, Size(680,480), 0, 0, INTER_CUBIC);

    Mat image;

    if(! img1.data || ! img1.data)
    {
       cout << "Could not open or find the image" << std::endl ;
        return -1;
    }


    // detecting keypoints
    OrbFeatureDetector detector(1500);
    vector<KeyPoint> keypoints1, keypoints2;
    detector.detect(img1, keypoints1);
    detector.detect(img2, keypoints2);

    // computing descriptors
    OrbDescriptorExtractor extractor;
    Mat descriptors1, descriptors2;
    extractor.compute(img1, keypoints1, descriptors1);
    extractor.compute(img2, keypoints2, descriptors2);

    // matching descriptors
    BFMatcher matcher(NORM_HAMMING);
    vector<DMatch> matches;
    matcher.match(descriptors1, descriptors2, matches);

    // drawing the results
    namedWindow("matches", CV_WINDOW_AUTOSIZE);
    Mat img_matches;
    drawMatches(img1, keypoints1, img2, keypoints2, matches, img_matches);
    imshow("matches", img_matches);
    waitKey(0);

    return 0;
    }

#endif

我想提高算法在特征正确匹配方面的鲁棒性。因此，更可靠的特征匹配以目标识别和检测为目的，更加鲁棒和可靠。例如，可以包括窗户和门框之间的距离（在每个飞机型号中都是固定的），然后是门框的厚度等。

我想提取一些海关特征，以便算法适用于任何带有任何绘画和标志的飞机。意味着该算法应该能够通过任何类型的飞机检测到门。某些航空公司的徽标和绘画等特征不应成为关键点/特征。

因此，我喜欢提取可以通用的特征，例如窗户和门框之间的距离（因为对于给定的飞机模型，此特征始终相同）。例如，空客 A350 的门框和最近的窗户之间的最小距离是 1m。所以我想在我的算法中使用这个特性。有什么建议如何提取这些特征？

在这种情况下，我是否应该使用模式识别和机器学习技术，例如深度神经网络或 KNN？

Answer 1

如果您可以使用多种类型的对象（门）的数据集，您可以使用SIFT输出等功能进行培训SVM（在OpenCV中，您可以找到几个示例）。