Correspondência de recursos OpenCV para várias imagens
Como otimizar a correspondência do recurso SIFT para muitas fotos usando a FLANN?
Eu tenho um exemplo de trabalho retirado dos documentos do Python OpenCV. No entanto, isso está comparando uma imagem com outra e é lento. Preciso pesquisar recursos correspondentes em uma série de imagens (alguns milhares) e preciso que seja mais rápido.
Minha ideia atual:
Percorra todas as imagens e salve os recursos. Quão?Compare uma imagem de uma câmera com esta base acima e encontre a correta. Quão?Dê-me o resultado, imagem correspondente ou algo assim.import sys # For debugging only import numpy as np import cv2 from matplotlib import pyplot as plt MIN_MATCH_COUNT = 10 img1 = cv2.imread('image.jpg',0) # queryImage img2 = cv2.imread('target.jpg',0) # trainImage # Initiate SIFT detector sift = cv2.SIFT() # find the keypoints and descriptors with SIFT kp1, des1 = sift.detectAndCompute(img1,None) kp2, des2 = sift.detectAndCompute(img2,None) FLANN_INDEX_KDTREE = 0 index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5) search_params = dict(checks = 50) flann = cv2.FlannBasedMatcher(index_params, search_params) matches = flann.knnMatch(des1,des2,k=2) # store all the good matches as per Lowe's ratio test. good = [] for m,n in matches: if m.distance MIN_MATCH_COUNT: src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1,1,2) dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1,1,2) M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0) matchesMask = mask.ravel().tolist() h,w = img1.shape pts = np.float32([ [0,0],[0,h-1],[w-1,h-1],[w-1,0] ]).reshape(-1,1,2) dst = cv2.perspectiveTransform(pts,M) img2 = cv2.polylines(img2,[np.int32(dst)],True,255,3, cv2.LINE_AA) else: print "Not enough matches are found - %d/%d" % (len(good),MIN_MATCH_COUNT) matchesMask = None draw_params = dict(matchColor = (0,255,0), # draw matches in green color singlePointColor = None, matchesMask = matchesMask, # draw only inliers flags = 2) img3 = cv2.drawMatches(img1,kp1,img2,kp2,good,None,**draw_params) plt.imshow(img3, 'gray'),plt.show()
ATUALIZAR
Depois de experimentar muitas coisas, talvez eu tenha chegado mais perto da solução agora. Espero que seja possível criar o índice e, em seguida, pesquisar nele da seguinte maneira:
flann_params = dict(algorithm=1, trees=4) flann = cv2.flann_Index(npArray, flann_params) idx, dist = flann.knnSearch(queryDes, 1, params={})
No entanto, ainda não consegui criar um npArray aceito para o parâmetro flann_Index.
loop through all images as image: npArray.append(sift.detectAndCompute(image, None)) npArray = np.array(npArray)