歡迎光臨
每天分享高質量文章

機器學習實戰 | 簡單標的識別與意圖分析之模板匹配

(點擊上方快速關註並設置為星標,一起學Python)

 

一天,我正在學校樓下擼貓,同學發來訊息,他的老師給了他一個研究課題,大致的方向是對圖片或者視頻裡面的內容進行識別,然後判斷意圖,而且舉了個例子,兩方交鋒,現在根據無人機拍攝或者衛星圖像,針對對方坦克集團的陣型來分析對方坦克的作戰意圖。但他對課題實現一臉懵逼,所以過來求救,我一聽,真的好高大上啊!為發揚同學間團結有愛、互幫互助的精神,我就幫忙研究研究吧(每天一瓶飲料,做錯了別怪我。。。。)

 

這樣講文章思路不清晰,我先畫個流程圖來描述一下我的工作,避免大家繞來繞去的看的發懵:

初步標的識別

 

同學說老師要他先實現這個標的識別,我腦子裡第一時間想到了Python3裡面處理圖片的超強第三方庫OpenCV,裡面的模板匹配有好多演算法可以用呢,比如平方差匹配、相關性匹配、相關性繫數匹配還有匹配效果最好的標準相關匹配等等,然後模型的話最近正好在研究Unity寫游戲,那就拿裡面的坦克模型來測試,先來張截圖測試下,一言不合上代碼:

 

tpl =cv.imread(r"D://PythonPicTemplate/pythinPIC/tankTemplate2.jpg")
target = cv.imread("D://PythonPicTemplate/pythinPIC/tanks2.jpg")
cv.namedWindow('template image', cv.WINDOW_NORMAL)
cv.imshow("template image", tpl)
cv.namedWindow('target image', cv.WINDOW_NORMAL)
cv.imshow("target image", target)
#methods = [cv.TM_CCOEFF, cv.TM_CCOEFF_NORMED, cv.TM_CCORR,cv.TM_CCORR_NORMED, cv.TM_SQDIFF, cv.TM_SQDIFF_NORMED]
methods =[cv.TM_CCORR_NORMED ,cv.TM_CCORR_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCORR_NORMED, cv.TM_CCORR_NORMED]
'''''''
差值平方和匹配 CV_TM_SQDIFF
標準化差值平方和匹配 CV_TM_SQDIFF_NORMED
相關匹配 CV_TM_CCORR
標準相關匹配 CV_TM_CCORR_NORMED
相關匹配 CV_TM_CCOEFF
標準相關匹配 CV_TM_CCOEFF_NORMED
'''

th, tw = tpl.shape[:2]
i =0   
tl = []
br = []
for md in methods:
    #print(md)
    result = cv.matchTemplate(target, tpl, md)
    min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)
    if md == cv.TM_SQDIFF_NORMED:
        tl.append(min_loc)
    else:
        tl.append(max_loc)
    br.append((tl[i][0]+tw, tl[i][1]+th))
    cv.rectangle(target, tl[i], br[i], (0, 0, 255), 2)
    i += 1   
    cv.namedWindow("match-" + np.str(md), cv.WINDOW_NORMAL)
    cv.imshow("match-" + np.str(md), target)

模板匹配的大致原理

模板匹配實現的思想也是很簡單很暴力的,就是拿著模板圖片在原圖中從左上至右下依次滑動,直到遇到某個區域的相似度低於我們設定的閾值,那麼我們就認為該區域與模板匹配了,並把它標記出來。但實驗證明,模板配在原圖摳出模板圖的形式下準確率才比較高,不然的話可能準確度就不太高了。

綜上所述,模板匹配的優點在於在模板的基礎上能匹配的方便快速,但缺點實在是太多了,例如,

 

1.模板的大小會影響匹配的精度;

2.干擾現象嚴重,坦克藏在樹林里很影響識別效果;

3.在實際運用中,模板的方向都必須要固定才能匹配成功;

 

4.以上都還好說,最重要的是我都知道模板了,那我還寫代碼在圖片里識別個毛啊,對於這個課題直接圈出來不就行了。

 

所以我還是太天真了,模板匹配的優點要用,但標的識別的方法必須要改進一下,不然看著都傻,同學老師估計也會爆發。下一節我們繼續研究具體的改進方法。

 

代碼已上傳至GitHub,歡迎star,歡迎討論:

GitHub:https://github.com/wangwei39120157028/Machine_Learning_research_on_simple_target_recognition_and_intention_analysis

已同步到看一看
赞(0)

分享創造快樂