目标在本章节中，
我们将把calib3d模块中的特征匹配和findhomography混合在一起，以在复杂图像中找到已知对象
基础
那么我们在上一环节上做了什么？我们使用了queryimage，找到了其中的一些特征点，我们使用了另一个trainimage，也找到了该图像中的特征，并且找到了其中的最佳匹配。简而言之，我们在另一个混乱的图像中找到了对象某些部分的位置。此信息足以在trainimage上准确找到对象。
为此，我们可以使用calib3d模块中的函数，即cv.findhomography()。如果我们从两个图像中传递点集，它将找到该对象的透视变换。然后，我们可以使用cv.perspectivetransform()查找对象。找到转换至少需要四个正确的点。
我们已经看到，匹配时可能会出现一些可能影响结果的错误。为了解决这个问题，算法使用ransac或least_median（可以由标志决定）。因此，提供正确估计的良好匹配称为“内部点”，其余的称为“外部点”。cv.findhomography()返回指定内部和外部点的掩码。
让我们开始吧！！！
代码
首先，像往常一样，让我们在图像中找到sift功能并应用比例测试以找到最佳匹配。
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
min_match_count = 10
img1 = cv.imread('box.png',0) # 索引图像
img2 = cv.imread('box_in_scene.png',0) # 训练图像
# 初始化sift检测器
sift = cv.xfeatures2d.sift_create()
# 用sift找到关键点和描述符
kp1, des1 = sift.detectandcompute(img1,none)
kp2, des2 = sift.detectandcompute(img2,none)
flann_index_kdtree = 1
index_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)
# ＃根据lowe的比率测试存储所有符合条件的匹配项。
good = []
for m,n in matches:
if m.distance < 0.7*n.distance:
good.append(m)
现在我们设置一个条件，即至少有10个匹配项（由min_match_count定义）可以找到对象。否则，只需显示一条消息，说明没有足够的匹配项。
如果找到足够的匹配项，我们将在两个图像中提取匹配的关键点的位置。他们被传递以寻找预期的转变。一旦获得了这个3x3转换矩阵，就可以使用它将索引图像的角转换为训练图像中的相应点。然后我们画出来。
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
最后，我们绘制内部线（如果成功找到对象）或匹配关键点（如果失败）。
draw_params = dict(matchcolor = (0,255,0), # 用绿色绘制匹配
singlepointcolor = none,
matchesmask = matchesmask, # 只绘制内部点
flags = 2)
img3 = cv.drawmatches(img1,kp1,img2,kp2,good,none,**draw_params)
plt.imshow(img3, 'gray'),plt.show()
请参阅下面的结果。对象在混乱的图像中标记为白色：
☆☆☆为方便大家查阅，小编已将opencv-python专栏文章统一整理到公众号底部菜单栏，同步更新中，关注公众号，点击左下方“文章”，如图：或点击下方“阅读原文”，进入opencv-python专栏，即可查看系列文章。
不断更新资源
获取更多精彩
长按二维码扫码关注