目標

在本章節中，我們將把calib3d模塊中的特徵匹配和findHomography混合在一起，以在複雜圖像中找到已知對象。

基礎

那麼我們在上一環節上做了什麼？我們使用了queryImage，找到了其中的一些特徵點，我們使用了另一個trainImage，也找到了該圖像中的特徵，並且找到了其中的最佳匹配。簡而言之，我們在另一個混亂的圖像中找到了對象某些部分的位置。此信息足以在trainImage上準確找到對象。

為此，我們可以使用calib3d模塊中的函數，即cv.findHomography()。如果我們從兩個圖像中傳遞點集，它將找到該對象的透視變換。然後，我們可以使用cv.perspectiveTransform()查找對象。找到轉換至少需要四個正確的點。

我們已經看到，匹配時可能會出現一些可能影響結果的錯誤。為了解決這個問題，算法使用RANSAC或LEAST_MEDIAN（可以由標誌決定）。因此，提供正確估計的良好匹配稱為「內部點」，其餘的稱為「外部點」。cv.findHomography()返回指定內部和外部點的掩碼。

讓我們開始吧！！！

代碼

首先，像往常一樣，讓我們​​在圖像中找到SIFT功能並應用比例測試以找到最佳匹配。

import numpy as npimport cv2 as cvfrom matplotlib import pyplot as pltMIN_MATCH_COUNT = 10img1 = cv.imread('box.png',0)          # 索引圖像img2 = cv.imread('box_in_scene.png',0) # 訓練圖像# 初始化SIFT檢測器sift = cv.xfeatures2d.SIFT_create()# 用SIFT找到關鍵點和描述符kp1, des1 = sift.detectAndCompute(img1,None)kp2, des2 = sift.detectAndCompute(img2,None)FLANN_INDEX_KDTREE = 1index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)search_params = dict(checks = 50)flann = cv.FlannBasedMatcher(index_params, search_params)matches = flann.knnMatch(des1,des2,k=2)# ＃根據Lowe的比率測試存儲所有符合條件的匹配項。good = []for m,n in matches:    if m.distance < 0.7*n.distance:        good.append(m)

現在我們設置一個條件，即至少有10個匹配項（由MIN_MATCH_COUNT定義）可以找到對象。否則，只需顯示一條消息，說明沒有足夠的匹配項。

如果找到足夠的匹配項，我們將在兩個圖像中提取匹配的關鍵點的位置。他們被傳遞以尋找預期的轉變。一旦獲得了這個3x3轉換矩陣，就可以使用它將索引圖像的角轉換為訓練圖像中的相應點。然後我們畫出來。

if len(good)>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 = cv.findHomography(src_pts, dst_pts, cv.RANSAC,5.0)    matchesMask = mask.ravel().tolist()    h,w,d = img1.shape    pts = np.float32([ [0,0],[0,h-1],[w-1,h-1],[w-1,0] ]).reshape(-1,1,2)    dst = cv.perspectiveTransform(pts,M)    img2 = cv.polylines(img2,[np.int32(dst)],True,255,3, cv.LINE_AA)else:    print( "Not enough matches are found - {}/{}".format(len(good), MIN_MATCH_COUNT) )    matchesMask = None

最後，我們繪製內部線（如果成功找到對象）或匹配關鍵點（如果失敗）。

draw_params = dict(matchColor = (0,255,0), # 用綠色繪製匹配                   singlePointColor = None,                   matchesMask = matchesMask, # 只繪製內部點                   flags = 2)img3 = cv.drawMatches(img1,kp1,img2,kp2,good,None,**draw_params)plt.imshow(img3, 'gray'),plt.show()

請參閱下面的結果。對象在混亂的圖像中標記為白色：