Brute Force Feature Matching

Kategori: Computer Vision , 24 Şubat 2020 , JanFranco

Önceki yazılarımda feature extraction algoritmalarını anlattım. Bu yazımızda daha önce çıkardığımız feature descriptorleri eşleştirerek, obje tespiti yapacağız. Feature matching için kullanacağımız ilk yöntem Brute-Force Matcher algoritması olacak. cv2.BFMatcher() sınıfından obje oluşturup kullanabiliriz.

Eşleşmeleri oluşturduğumuzda çizebiliriz. cv2.drawKeypoints methoduna benzer bir şekilde cv2.drawMatches() methodunu çağırabiliriz. knnMatch methodunu kullandıysak cv2.drawMatchesKnn methodunu çizdirmek için kullanabiliriz. Python üzerinden OpenCV kütüphanesini kullanarak bir örnek yapalım. Kütüphaneyi ve resimleri alalım: 


import cv2

cereal = cv2.imread('../data/reeses_puffs.png', 0)
cereals = cv2.imread('../data/many_cereals.jpg', 0)

cv2.imshow('cereal', cereal)
cv2.waitKey(0)
cv2.imshow('cereals', cereals)
cv2.waitKey(0)

sift = cv2.xfeatures2d.SIFT_create()
kp1, des1 = sift.detectAndCompute(cereal, None)
kp2, des2 = sift.detectAndCompute(cereals, None)
>>





BFMatcher sınıfından bir obje oluşturalım. Bu objenin match methoduna iki feature descriptor setini gönderelim. Daha sonra en iyi eşleşmeleri bastırabilmek için iyiden kötüye sıralayalım. Daha sonra drawMatched methodu ile ilk 100 eşleşmeyi çizdirelim: 


bf = cv2.BFMatcher()
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)
img = cv2.drawMatches(cereal, kp1, cereals, kp2, matches[:100], None, flags=2)
cv2.imshow('SIFT', img)
cv2.waitKey(0)
>>



Aynı uygulamayı SURF için yapalım: 


surf = cv2.xfeatures2d.SURF_create()
kp1, des1 = surf.detectAndCompute(cereal, None)
kp2, des2 = surf.detectAndCompute(cereals, None)
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)
img = cv2.drawMatches(cereal, kp1, cereals, kp2, matches[:100], None, flags=2)
cv2.imshow('SURF', img)
cv2.waitKey(0)
>>



Sırasıyla FAST+BRIEF ve ORB algoritmalarını kullanacağız. Bu algoritmalar için BFMatcher sınıfına arügüman olarak cv2.NORM_HAMMING değerini vermeliyiz: 


bf = cv2.BFMatcher(cv2.NORM_HAMMING)
fast = cv2.FastFeatureDetector_create()
brief = cv2.xfeatures2d.BriefDescriptorExtractor_create()
kp = fast.detect(cereal, None)
kp, descriptors = brief.compute(cereal, kp)
kp2 = fast.detect(cereals, None)
kp2, descriptors2 = brief.compute(cereals, kp2)
matches = bf.match(descriptors, descriptors2)
matches = sorted(matches, key=lambda x: x.distance)
img = cv2.drawMatches(cereal, kp, cereals, kp2, matches[:100], None, flags=2)
cv2.imshow('FAST AND BRIEF', img)
cv2.waitKey(0)

orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(cereal, None)
kp2, des2 = orb.detectAndCompute(cereals, None)
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)
cerealMatches = cv2.drawMatches(cereal, kp1, cereals, kp2, matches[:100], None, flags=2)
cv2.imshow('ORB', cerealMatches)
cv2.waitKey(0)
>>



Sonraki Yazı: Object Tracking - Optical Flow
Yorumlar

Henüz bir yorum bulunmuyor.
Yorum bırakın