OpenCV单应性矩阵发现参数估算方法详解
2022-07-28 14:12:57
OpenCV正在通过特性描摹子竣工描摹子般配之后，会取得极少合头点对，咱们会把这些合头点对分手增添到两个vector对象中，行动输入参数，移用单应性矩阵察觉函数来察觉一个变换矩阵H，函数
有了变换矩阵H之后，咱们就可能按照输入图像四点坐标，从场景图像上取得特性般配图像的四点坐标，代码实行如下：
此中scene_corners为对象正在场景图像中的四点坐标，获取坐标今后就可能绘制对应的矩形，从而正在场景图像中绘制对象的外接矩形区域。运转结果如下：
开始简易的阐明一下H的影响，假设正在特性般配或者对齐，视频搬动估算中有两张图像image1与image2，image1上有特性点(x1,y1)般配image2上的特性点(x2,y2)，现正在咱们需求正在两者之间创办一种视图变换相合(透视变换)，图示如下(图二)：
如许为了求出H中的参数，需求两个点对纠合，即是findHomography函数中前两个输入参数，理思景况下，通过特性提赢得到特性点会再下一帧或者场景图像中仍旧稳定，可是本质景况下，收到各样身分的影响，会出格发生良众特性点或者搅扰点，要是确切的剔除这些搅扰点，取得确切般配的点，诈骗确切般配点盘算推算出H才是斗劲坚固的方法。
很光鲜，图二所示的是一个过限制题目，要是没有搅扰点的话，就可能通过最小二乘举办直接拟合，求的参数，此中谬误盘算推算如下：
最小二乘门径正在描摹子般配输出的点对证料很好，理思景况下是图像没有噪声污染与像素迁徙与光泽恒定，可是本质景况下图像迥殊容易受到光泽、噪声导致像素迁徙，从而发生出格的众余描摹子般配，这些点对可能分为outlier跟inlier两类，基于RANSAC（Random Sample Consensus）可能很好的过滤掉outlier点对，行使合法的点对取得最终的变换矩阵H。RANSAC算法基础思思是，它会从给定的数据中随机采取一部门举办模子参数盘算推算，然后行使全数点对举办盘算推算结果评议，不休迭代，直到采取的数据盘算推算出来的谬误是最小，好比低于0.5%即可，完好的算法流程办法如下：
平常迭代次数N会采选一个斗劲高的值，OpenCV中默认迭代次数为200，确保有一个随机采选点对不会有outlier数据，
防卫有时期RANSAC门径不会收敛，导致图像对齐或者配准凋零，原由正在于RANSAC是一种全随机的数据采取方法，十足没有探究到数据质料区别。对RANSAC算法的改正算法即是PROSAC(Progressive Sampling Consensus)即渐近样本相同性，该门径采用半随机门径，对扫数点对举办质料评议盘算推算Q值，然后按照Q值降序陈设，每次只正在高质料点对中体味模子假设与验证，如许就大大下降了盘算推算量，正在RANSAC无法收敛的景况下，PROSAC已经可能赢得优良的结果。OpenCV中的RHO门径即是基于PROSAC估算。
最小中值门径拟合，该门径可能算作是最小二乘法的改正，原由正在于盘算推算机视觉的输入数据是图像，普通都是各自噪声，这种景况下最小二乘往往无法确切拟合数据，于是采用最小中值门径可能更好实行拟合，摒除outlier数据。可是它是对高斯噪声敏锐算法。它的最重要办法描摹如下：
结尾看一下OpenCV中行使单应性矩阵察觉对沟通的特性点对，分手行使RANSAC、PROSAC、LMEDS举办参数矩阵H的求解结果比较，显示如下：
普通景况下正在，保举民众行使RANSAC或者RHO。默认的0显示最小二乘门径，对图像般配正在本质运用中普通都是翻车！LMEDS门径唯有正在inlier超出50%以上景况下才会拟合天生斗劲好的H参数，而RANSAC或者RHO不管outlier跟inlier比率是众少都市可能合用，可能民众也都防卫到h33老是等于1，由于h33正在这里影响是仍旧准绳化标准。正在OpenCV中要是无法确切估算参数H，会返回空Mat对象。
结尾的线年少写空话，希望此篇不是空话，我为了写好它也是伤神永远，算是我方全力了，也是回复了平日极少人总问我的题目，接待民众斧正与反应！要是感触不错，点个赞我就很知足了！
CV全栈开垦者说 - 从守旧算法到深度研习如何修炼2022入坑深度研习，我采选Pytorch框架！