从特征匹配/单应性中过滤掉误报 – OpenCV

Question

我有一个程序，它输入一张图片，他的目标是确定某个对象(本质上是图像(是否包含在这张图片中。如果是这样，它会尝试估计它的位置。当对象在图片中时，这非常有效。但是，当我在图片中放置任何足够复杂的东西时，我会收到很多误报。

我想知道是否有任何好方法可以过滤掉这些误报。希望计算成本不会太高。

我的程序基于此处的教程。除了我使用 BRISK 而不是 SURF所以我不需要贡献的东西。

我如何获得匹配项

descriptorMatcher->match(descImg1, descImg2, matches, Mat());

好搭配

double max_dist = 0; double min_dist = 100;
//-- Quick calculation of max and min distances between keypoints
for( int i = 0; i < descImg1.rows; i++ )
{ double dist = matches[i].distance;
  if( dist < min_dist ) min_dist = dist;
  if( dist > max_dist ) max_dist = dist;
}
std::vector< DMatch > good_matches;
for( int i = 0; i < descImg1.rows; i++ )
{ if( matches[i].distance < 4*min_dist )
 { good_matches.push_back( matches[i]); }
}

单应性

std::vector<Point2f> obj;
std::vector<Point2f> scene;
for( int i = 0; i < good_matches.size(); i++ )
{
  //-- Get the keypoints from the good matches
  obj.push_back( keyImg1[ good_matches[i].queryIdx ].pt );
  scene.push_back( keyImg2[ good_matches[i].trainIdx ].pt );
}
Mat H = findHomography( obj, scene, FM_RANSAC );

对象角

std::vector<Point2f> obj_corners(4);
obj_corners[0] = cvPoint(0,0); obj_corners[1] = cvPoint( img1.cols, 0 );
obj_corners[2] = cvPoint( img1.cols, img1.rows ); obj_corners[3] = cvPoint( 0, img1.rows );
std::vector<Point2f> scene_corners(4);
perspectiveTransform( obj_corners, scene_corners, H);

Answer 1

您无法完全消除误报。这就是为什么使用RANSCAC算法来查找同源异义词的原因。但是，您可以检查估计的单应性是否"好"。有关详细信息，请参阅此问题。如果估计的单应性是错误的，你可以丢弃它并假设没有找到对象。由于至少需要 4 个对应点来估计同源异义词，因此您可以拒绝那些使用比预定义阈值(例如 6(更少的点估计的同形异义词。这可能会过滤掉所有错误估计的同形异义词：

int minInliers = 6; //can be any value > 4
double reprojectionError = 3; // default value, you can change it to some lower to get more reliable estimation.
Mat mask;    
Mat H = findHomography( obj, scene, FM_RANSAC, reprojectionError, mask );
int inliers = 0;
for (int i=0; i< mask.rows; ++i)
{
    if(mask[i] == 1) inliers++;
}
if(inliers > minInliers)
{
    //homography is good
}

您还可以测试原始SIFT论文中提出的方法以获得更好的匹配。您需要找到两个最接近每个查询点的描述符，然后检查它们之间的距离比率是否小于阈值(David Lowe建议为0.8( 查看此链接以获取详细信息：

descriptorMatcher->knnMatch( descImg1, descImg2, knn_matches, 2 );
//-- Filter matches using the Lowe's ratio test
const float ratio_thresh = 0.8f;
std::vector<DMatch> good_matches;
for (size_t i = 0; i < knn_matches.size(); i++)
{
    if (knn_matches[i][0].distance < ratio_thresh * knn_matches[i][1].distance)
    {
        good_matches.push_back(knn_matches[i][0]);
    }
}