如果徽标变形（即拉伸、卷曲、挤压），如何检测它们？
我使用 SIFT 作为检测特征，因为它是缩放不变的。
下面是一个例子，标志出现在瓶子上，它沿着瓶子的曲率拉伸。
另外，产品的材质也会影响效果，比如可能会反光。
如何解决这两个问题？如果有人能给我详细的步骤，我将不胜感激，谢谢！
标志：
示例：
【问题讨论】：
标签： opencv image-processing machine-learning computer-vision object-detection
我认为在尝试检测徽标之前，您应该让情况变得更容易一些 - 一个很好的起点可能是应用透视变换以减少徽标失真。这是将透视变换应用于图像的代码：
import cv2
import numpy as np
src = np.array([[8,125], [68,30], [576,261], [510,396]], np.float32)
dst = np.array([[0,0], [100, 0], [100, 400], [0, 400]], np.float32)
perspective_transform = cv2.getPerspectiveTransform(src, dst)
img = cv2.imread('d:\\temp\\logo_lamer.png')
final_img = cv2.warpPerspective(img, perspective_transform, (100, 400))
cv2.imwrite('d:\\temp\\logo_lamer2.png', final_img)
点是硬编码，但找到它们应该不是很难 - 我只是使用了瓶子的最左侧、最顶部、最右侧和最底部的点。这是带有点的图像：
这是转换的结果：
如您所见，它并不完美（字母“L”和“R”不完全可见），但可以使用一些用于对象提取的好处来改进它。使用抓取可能是一个好主意，但很可能很多技术在这种情况下都会表现良好。或者，在找到点之后，您可以尝试确保它们形成一个（旋转的）矩形，因此请确保所有角度都等于（或接近）90 度 - here 是您可以做到的。
现在应用this qeustion 中的一些技术应该会容易得多（我会尝试扫描线和筛选/冲浪技术，但这只是我的猜测）。或者，您可以尝试使用广义霍夫变换（GHT）、模板匹配或使用类似 Haar 的特征、LBP（局部二进制模式）或 HOG 训练您自己的分类器。
【讨论】：
在您的问题中，您说您使用 SIFT。结果还不够好？
使用 SIFT 检测器和描述符我得到了以下结果：
不够好？
【讨论】：