11

我正在使用特征提取（sift，orb）进行对象检测。

我想从对象（训练图像）的不同角度提取 ORB 特征，然后将它们与查询图像进行匹配。

我面临的问题是：我怎样才能从来自不同角度的图像的关键点创建一个好的单应性，当然有不同的大小？

编辑

我正在考虑为每个有 3-4 个匹配的火车图像创建一个单应性，然后计算一些“平均”单应性......

例如，当您从每个火车图像中说只有 1-2 个匹配项时，就会出现问题，此时您甚至无法创建 1 个单应性

创建单应性的代码

  //> For each train images with at least some good matches ??
  H = findHomography( train, scene, CV_RANSAC );
  perspectiveTransform( trainCorners, sceneCorners, H);
4

3 回答 3

8

我认为这样做没有意义，因为当您谈论单应性时，一对图像 A 和 B 与一对图像 B 和 C 无关。您将获得不同的良好匹配集和不同的单应性，但单应性将是不相关的，并且没有错误最小化是有意义的。

所有最小化都必须在匹配、关键点和描述符内，仅考虑这对图像。

有一个类似于您在 FREAK 描述符中提出的想法。您可以使用一组图像训练选定的对。这意味着 FREAK 将根据一组图像决定提取描述符的最佳模式。在此培训之后，您应该找到更强大的数学，这将为您提供更好的单应性。

于 2012-12-19T16:15:52.530 回答
4

要找到一个好的单应性，您需要准确匹配关键点。你需要 4 场比赛。

最常见的方法是 DLT 与 RANSAC 相结合。DLT 是一种线性变换，可以找到将关键点投影到场景中的单应性 3x3 矩阵。RANSAC 找到满足数学模型的最佳内点/异常值集，因此它将找到最好的 4 个点作为 DLT 的输入。

编辑

您需要找到稳健的关键点。SIFT 应该做到这一点，规模和视角不变。我认为您不需要使用不同的图像进行训练。找到平均单应性没有意义。您需要为检测到的对象找到唯一的单应性，并且该单应性将是标记和检测到的对象之间的转换。单应性是精确的，寻找均值是没有意义的。

于 2012-07-17T07:00:46.397 回答
1

您是否尝试过从对象视图中获取关键点的方法：train_kps_1、train_kps_2...然后将这些数组与场景匹配，然后从这几个数组中选择最佳匹配，从而得到一个良好匹配的数组。最后使用该结果查找单应性作为“火车”。

这里的关键是如何选择最佳匹配，这是一个不同的问题，你可以在这里找到一个不错的答案：

http://answers.opencv.org/question/15/how-to-get-good-matches-from-the-orb-feature/

也许在这里：

http://answers.opencv.org/question/2493/best-matches/

于 2012-09-26T22:54:35.677 回答