评估局部特征匹配的匹配质量

问题描述

我正在研究一个系统，该系统使用本地特征转换算法来识别对象。对于每个数据集，每个对象都有两个图像。我的管道如下：

1. 从查询数据集中的图片（大小为n）中提取描述符并存储描述符
2. 从训练数据集中的图像（大小为m）中提取描述符并存储描述符
3. 将查询描述符与训练描述符匹配
4. 对于每个匹配重复项，应用比率测试仅提取良好的特征
5. 存储良好匹配/所有匹配的比率（1.0表示查询中所有匹配与火车完全匹配的100％）

这里有一些代码来说明该过程。我正在将Python和OpenCV一起用于管道。

nfeatures = 1000  # sift object created with nfeatures=1000
query_descs = np.zeros((nfeatures,128,len(query_files)),dtype=np.uint8)  # SIFT descriptors are 128 Bytes long
train_descs = np.zeros((nfeatures,len(train_files)))

for i,file in enumerate(query_files):  # List of query-files
    img = cv2.imread(file,0)  # Read grayscale
    kpts,desc = sift.detectAndCompute(img,None)
    query_descs[:,:,i] = desc

for i,file in enumerate(train_files):  # List of query-files
    img = cv2.imread(file,0)
    kpts,None)
    train_descs[:,i] = desc

scores = np.zeros((len(query_files),len(train_files))

for i in range(scores.shape[0]):
    for j in range(scores.shape[1]):
        matches = matcher.knnMatch(query_descs[:,i],train_descs[:,j],k=2)
        good = 0
        for m,n in matches:
            if m.distance < threshold * n.distance:
                good += 1
        scores[i,j] = good / nfeatures

结果是一个大小为nxm的矩阵，通常每行包含一个强最大值。原则上，此最大值应该是正确的对象/图像。

我的问题是，我不需要知道哪些功能最匹配，而只有在匹配得很好的情况下，如果是这样，就增加变量good。

通常如何执行两个图像匹配的质量？使用matcher.matchKnn()似乎可以执行更多的工作，我想减少所有不必要的事情以获得最佳性能。

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）