使用 ORB python opencv 匹配特征答案

【问题标题】：Matching Features with ORB python opencv使用 ORB python opencv 匹配特征
【发布时间】：2015-07-29 02:28:36
【问题描述】：

嗨，我正在使用 ORB python opencv 匹配功能，但是当我运行此代码时出现此错误回溯（最近一次通话最后）：文件“ffl.py”，第 27 行，在对于 m,n 在比赛中： TypeError: 'cv2.DMatch' 对象不可迭代

不知道怎么解决

import numpy as np
import cv2
import time

ESC=27   
camera = cv2.VideoCapture(0)
orb = cv2.ORB_create()
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

imgTrainColor = cv2.imread('/home/shar/home.jpg')
imgTrainGray = cv2.cvtColor(imgTrainColor, cv2.COLOR_BGR2GRAY)

kpTrain = orb.detect(imgTrainGray,None)
kpTrain, desTrain = orb.compute(imgTrainGray, kpTrain)

firsttime = True

while True:

    ret, imgCamColor = camera.read()
    imgCamGray = cv2.cvtColor(imgCamColor, cv2.COLOR_BGR2GRAY)
    kpCam = orb.detect(imgCamGray,None)
    kpCam, desCam = orb.compute(imgCamGray, kpCam)
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
    matches = bf.match(desCam,desTrain)
    good = []
    for m,n in matches:
        if m.distance < 0.7*n.distance:
            good.append(m)

    if firsttime==True:
        h1, w1 = imgCamColor.shape[:2]
        h2, w2 = imgTrainColor.shape[:2]
        nWidth = w1+w2
        nHeight = max(h1, h2)
        hdif = (h1-h2)/2
        firsttime=False

    result = np.zeros((nHeight, nWidth, 3), np.uint8)
    result[hdif:hdif+h2, :w2] = imgTrainColor
    result[:h1, w2:w1+w2] = imgCamColor

    for i in range(len(matches)):
        pt_a=(int(kpTrain[matches[i].trainIdx].pt[0]), int(kpTrain[matches[i].trainIdx].pt[1]+hdif))
        pt_b=(int(kpCam[matches[i].queryIdx].pt[0]+w2), int(kpCam[matches[i].queryIdx].pt[1]))
        cv2.line(result, pt_a, pt_b, (255, 0, 0))

    cv2.imshow('Camara', result)

    key = cv2.waitKey(20)                                 
    if key == ESC:
        break

cv2.destroyAllWindows()
camera.release()

【问题讨论】：

标签： python opencv

【解决方案1】：

bf.match 仅返回单个对象的列表，您不能使用 m,n 对其进行迭代。也许您对bf.knnMatch 感到困惑？

您只需将代码更改为：

for m in matches:
    if m.distance < 0.7:
        good.append(m)

来自OpenCV的Python教程（link）：

matches = bf.match(des1,des2) 行的结果是一个 DMatch 列表对象。此 DMatch 对象具有以下属性：

DMatch.distance - 描述符之间的距离。越低越好它是。

DMatch.trainIdx - 列车描述符中的描述符索引

DMatch.queryIdx - 查询描述符中的描述符索引

DMatch.imgIdx - 火车图像的索引。

【讨论】：

在这种情况下，“train”、“descriptors”和“query”是什么意思？
@DragonKnight queryIdx 给出您尝试匹配的原始图像上的关键点索引，trainIdx 给出在参考图像上匹配的关键点索引。
这不是劳氏比率测试。请查阅原始 SIFT 论文或使用 opencv 示例目录中给出的代码。

【解决方案2】：

for m in matches:
    if m.distance < 0.7:
        good.append(m)

这段代码不错，但和原来的意思不太一样。我认为在匹配中使用 ORB 和涉及 n 和 n+1 元素的东西是指 SIFT 算法的初衷，它执行比率匹配。

所以，正确的代码应该是（我猜）：

for i, m in enumerate(matches):
    if i < len(matches) - 1 and m.distance < 0.7 * matches[i+1].distance:
        good.append(m)

效率较低，可能有解决方法或更好的代码。但我的主要观点是强调回答的代码 与 OP 的代码不同。

原始 SIFT 论文说：

此测试通过计算最佳匹配之间的比率来拒绝不良匹配和第二好的匹配。如果比率低于某个阈值，则匹配被丢弃为低质量。

另请注意，“0.7”被命名为“ratio”，在原论文中固定为 0.75（记忆中）。

【讨论】：

这也没有意义。劳氏比率剩余需要 knnMatch，k=2。您不能简单地为 next 描述符取最佳匹配。它必须是 same 描述符的最接近的两个匹配项。

【解决方案3】：

代码尝试使用劳氏比率测试（参见原始 SIFT 论文）。

对于每个描述符，这需要两个最接近的匹配项。

代码应为：

    matches = bf.knnMatch(desCam, desTrain, k=2) # knnMatch is crucial
    good = []
    for (m1, m2) in matches: # for every descriptor, take closest two matches
        if m1.distance < 0.7 * m2.distance: # best match has to be this much closer than second best
            good.append(m1)

此外，我强烈推荐 flann matcher。它比蛮力匹配器更快。

查看 OpenCV tutorials 或 OpenCV 源代码 (samples/python/find_obj.py) 中的示例目录以获取有效的代码。

【讨论】：