基于opencv、matlab的多十字靶标的自动识别 与 模板匹配多次匹配的问题

2023-11-08 02:30

本文主要是介绍基于opencv、matlab的多十字靶标的自动识别 与 模板匹配多次匹配的问题,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

       相机标定时常会使用标定板进行标定,常用的标定法有张正友老师的平板标定,常用的标定板有棋盘标定板和圆盘标定板,但是很多地方使用TSAI两步标定法时会使用自制的标定靶标吗,例如我们采用的按规则排序的十字靶标,拍摄得到的实物如下:

方法一:  Hough 直线检测求交点

      为了得到各十字中心的坐标,常用的方法为使用hough直线检测,得到横竖的所有直线的表达式并通过交点解算来得到交点的坐标,这一块我也做了,但是事实来看,需要多次试探得到合适的阈值等参数,也就是说程序的泛化性比较差,这应该也是我代码写的不好,但是实在找不到好的方法,因为阈值参数的选取确实是得调整的,而且同一标定板上下的明暗是会有差异的,后面我也是为了避免后面的点的获取,只选了前部分识别度较高的十字,但是因为是作为标定的输入,这么多点数已经够了。当然也可以微调参数得到所有的交点,但是我这个标定板有一个十字因为制作时打错了,所以我人为滤掉这一行;下面是我使用MATLAB给出的方法:

front = imread('a.bmp');
back = imread('a_back.bmp');
%img = imread('cali.bmp');
img = front - back;
img_gray = rgb2gray(img);%%  获取行
thresh = graythresh(img_gray);
B = im2bw(img_gray, thresh);
B = bwmorph(B, 'skel', 1);    % 骨架提取
B = bwmorph(B, 'spur', 2);    % 去毛刺
[H, theta, rho] = hough(B, 'Theta', 30:0.03:89);
peaks = houghpeaks(H, 14);
rows = houghlines(B, theta, rho, peaks);
imshow(B), hold on;
temp = [];
row_line = [];
for k = 1:length(rows)temp = [temp; rows(k).point1];
end
[temp, I] = sort(temp, 1, 'ASCEND');
for k = 1 : 6    % 希望的行数xy = [rows(I(k, 2)).point1, rows(I(k, 2)).point2];plot([xy(1,1), xy(1, 3)], [xy(1,2), xy(1,4)], 'LineWidth', 2, 'Color', 'green');%画出线段plot(xy(1,1), xy(1,2), 'x', 'LineWidth', 2, 'Color', 'yellow');%起点plot(xy(1,3), xy(1,4), 'x', 'LineWidth', 2, 'Color', 'red');%终点row_line = [row_line; xy];  %[startX startY endX endY]
end%%    获取列
thresh = graythresh(img_gray);
B = im2bw(img_gray, thresh);
%B = bwmorph(B, 'skel', 1);    % 骨架提取
%B = bwmorph(B, 'spur', 1);    % 去毛刺
[H, theta, rho] = hough(B, 'Theta',-30:0.03:30);
peaks = houghpeaks(H, 7);
columns = houghlines(B, theta, rho, peaks);
%imshow(B), 
hold on;
temp = [];
column_line = [];
for k = 1:length(columns)temp = [temp; columns(k).point1];
end
[temp, I] = sort(temp, 1, 'ASCEND');
for k = 1 : 4    % 希望的列数xy = [columns(I(k, 1)).point1, columns(I(k, 1)).point2];plot([xy(1,1), xy(1, 3)],[xy(1,2), xy(1,4)],'LineWidth',2,'Color','green');%画出线段plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow');%起点plot(xy(1,3),xy(1,4),'x','LineWidth',2,'Color','red');%终点column_line = [column_line; xy];  %[startX startY endX endY]
end%%  获取交点像素坐标
intersection = [];
line = [row_line; column_line];
for i = 1 : length(line) - 1p1 = line(i, :); k1 = (p1(2) - p1(4)) / (p1(1) - p1(3));b1 = p1(2) - k1*p1(1);for j = i+1 : length(line)p2 = line(j, :);k2 = (p2(2)-p2(4))/(p2(1)-p2(3));b2 = p2(2)-k2*p2(1);%求两直线交点x = -(b1-b2) / (k1-k2);             y = -(-b2*k1+b1*k2) / (k1-k2);%判断交点是否在两线段上  可能存在斜率十分相近导致上式分母接近零而误解if min(p1(1),p1(3)) <= x && x <= max(p1(1),p1(3)) && ...min(p1(2),p1(4)) <= y && y <= max(p1(2),p1(4)) && ...min(p2(1),p2(3)) <= x && x <= max(p2(1),p2(3)) && ...min(p2(2),p2(4)) <= y && y <= max(p2(2),p2(4))    plot(x,y,'.');intersection = [intersection; [x, y]];  %依次第一至最后行 与 第一至最后列endend
end

得到的结果如下:

   分别为所有行、所有列;设置的六行四列的交点,对应交点其实已经求出,并在四图中标出(红点)

          

 

方法二:   OpenCV 轮廓查找和模板匹配

使用OpenCV对图像进行处理,经过简单处理后,先进行轮廓查找找到所有的十字轮廓,其中很可能混入因阈值不当引入的噪点的轮廓,但是我们可以使用轮廓面积来约束,找到适中大小的轮廓,其实就是某个十字靶标的图案,将此作为模板来对对象进行查找,考虑会出现多次查找的问题,就是对某一轮廓稍微左右移动得到的轮廓依旧匹配度较高,因此会被识别为模板,但是又不能提高识别度,识别度要求一旦提高则会丢失很多不是很请清楚的目标,故在稍微降低识别度的情况下(此时肯定存在重复识别的问题),比较两轮廓的相对距离来剔除重复识别的对象,主要是先将所有相近的目标全部赋值为第一个目标(此处可能略粗糙,也是误差产生的地方)。然后剔除相同的目标,在对所得所有点按照空间实际顺序进行排列以便对应实际的世界坐标(标定的时候需要);代码如下:

import numpy as np
import cv2
import osGREEN = (0, 255, 0)
RED = (0,0,255)
filename = 'pixelCoordinate.txt'# **** Basic processing of the original image and extract all contours ****
img = cv2.imread('cali.bmp')
imgray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imgray,30,255,0)
image, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# ***********  Find an appropriate contour for the template   **********              
for cnt in contours:if cv2.contourArea(cnt) > 120:(x,y,w,h) = cv2.boundingRect(cnt)template=imgray[y:y+h, x:x+w] rootdir=("C:/Users/Administrator/Desktop/cali/")if not os.path.isdir(rootdir):os.makedirs(rootdir)cv2.imwrite( rootdir + "template.bmp",template)break# ************ Find all matched contours ************
w, h = template.shape[::-1]                    
res = cv2.matchTemplate(imgray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.75point = []
point_temp = []
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):point.append([pt[0], pt[1]])     
length = len(point)
print(' Before Processing:    ' + str(length))# **** Assign the corresponding point of a similar template to one of them ******
i = 0
while(i < length):for j in range(i + 1, length):if ( np.abs(point[j][0] - point[i][0]) < 4 and np.abs(point[j][1] - point[i][1]) < 4):point[j] = point[i]i = i + 1# ***************** Eliminate similarities  *******************
for i in point:if i not in point_temp:point_temp.append(i)        
print(' After Processing:    ' + str(len(point_temp)))# ********** In order from left to right, from top to bottom ***********
point_temp.sort(key = lambda x:x[0])
for i in range(0, 92, 14):point_temp[i : i+14].sort(key = lambda x:x[1])# ***************** Display and save the results **********************
if os.path.exists(filename):os.remove(filename)
for index in range(len(point_temp)):cv2.rectangle(img, tuple(point_temp[index]), (point_temp[index][0] + w, point_temp[index][1] + h), RED, 1)x = int(point_temp[index][0] + w/2)y = int(point_temp[index][1] + h/2)with open(filename, 'a') as file:file.write(str(x) + '  ' + str(y) + "\n")cv2.circle(img, (x, y), 0, GREEN, 0)       cv2.imshow('Result', img)
cv2.imwrite('Result.bmp', img)

结果如下:

  

总结:

       按照最后结果来看,方法一得到的精度更高,但是会人为调整较多参数,适应性差;方法二的精度没有第一个高,但是适应性比较强,这就比较尴尬,后面有需要会在精度方面做调整,毕竟这个方法还是比较简洁;

      各位有啥好的方案欢迎评论交流!!!

这篇关于基于opencv、matlab的多十字靶标的自动识别 与 模板匹配多次匹配的问题的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/367410

相关文章

好题——hdu2522(小数问题:求1/n的第一个循环节)

好喜欢这题,第一次做小数问题,一开始真心没思路,然后参考了网上的一些资料。 知识点***********************************无限不循环小数即无理数,不能写作两整数之比*****************************(一开始没想到,小学没学好) 此题1/n肯定是一个有限循环小数,了解这些后就能做此题了。 按照除法的机制,用一个函数表示出来就可以了,代码如下

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

poj3468(线段树成段更新模板题)

题意:包括两个操作:1、将[a.b]上的数字加上v;2、查询区间[a,b]上的和 下面的介绍是下解题思路: 首先介绍  lazy-tag思想:用一个变量记录每一个线段树节点的变化值,当这部分线段的一致性被破坏我们就将这个变化值传递给子区间,大大增加了线段树的效率。 比如现在需要对[a,b]区间值进行加c操作,那么就从根节点[1,n]开始调用update函数进行操作,如果刚好执行到一个子节点,

C++11第三弹:lambda表达式 | 新的类功能 | 模板的可变参数

🌈个人主页: 南桥几晴秋 🌈C++专栏: 南桥谈C++ 🌈C语言专栏: C语言学习系列 🌈Linux学习专栏: 南桥谈Linux 🌈数据结构学习专栏: 数据结构杂谈 🌈数据库学习专栏: 南桥谈MySQL 🌈Qt学习专栏: 南桥谈Qt 🌈菜鸡代码练习: 练习随想记录 🌈git学习: 南桥谈Git 🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈�

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

购买磨轮平衡机时应该注意什么问题和技巧

在购买磨轮平衡机时,您应该注意以下几个关键点: 平衡精度 平衡精度是衡量平衡机性能的核心指标,直接影响到不平衡量的检测与校准的准确性,从而决定磨轮的振动和噪声水平。高精度的平衡机能显著减少振动和噪声,提高磨削加工的精度。 转速范围 宽广的转速范围意味着平衡机能够处理更多种类的磨轮,适应不同的工作条件和规格要求。 振动监测能力 振动监测能力是评估平衡机性能的重要因素。通过传感器实时监

poj 1258 Agri-Net(最小生成树模板代码)

感觉用这题来当模板更适合。 题意就是给你邻接矩阵求最小生成树啦。~ prim代码:效率很高。172k...0ms。 #include<stdio.h>#include<algorithm>using namespace std;const int MaxN = 101;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int n

缓存雪崩问题

缓存雪崩是缓存中大量key失效后当高并发到来时导致大量请求到数据库,瞬间耗尽数据库资源,导致数据库无法使用。 解决方案: 1、使用锁进行控制 2、对同一类型信息的key设置不同的过期时间 3、缓存预热 1. 什么是缓存雪崩 缓存雪崩是指在短时间内,大量缓存数据同时失效,导致所有请求直接涌向数据库,瞬间增加数据库的负载压力,可能导致数据库性能下降甚至崩溃。这种情况往往发生在缓存中大量 k

uva 1342 欧拉定理(计算几何模板)

题意: 给几个点,把这几个点用直线连起来,求这些直线把平面分成了几个。 解析: 欧拉定理: 顶点数 + 面数 - 边数= 2。 代码: #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstring>#include <cmath>#inc