【纹理学习】基于BFmatcher/FlannBasedMatcher的SIFT/ORB/SURF在Re-ID的简单实现

2024-03-13 15:40
文章标签 简单 实现 学习 id sift re surf 纹理 orb bfmatcher flannbasedmatcher

本文主要是介绍【纹理学习】基于BFmatcher/FlannBasedMatcher的SIFT/ORB/SURF在Re-ID的简单实现，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！

本笔记图片源于网络，仅用于学习用途，联系侵删。

对纹理学习不甚了解，可前往【纹理学习】初探纹理学习

目录

      • 基于BFmatcher的SIFT实现1
      • 基于BFmatcher的SIFT实现2
      • 基于FlannBasedMatcher的SURF实现
      • 基于FlannBasedMatcher的SIFT实现
      • 基于BFMatcher的ORB实现
      • 高清图片实验
      • 一些想法
      • 贴一下“年久失修”的代码（还是可以用的！）
        • 两个不同形式的基于BFmatcher的SIFT
        • 基于FlannBasedMatcher的SURF
        • 基于FlannBasedMatcher的SIFT
        • 基于BFmatcher的ORB
      • 给大家放一下实验原图片

基于BFmatcher的SIFT实现1

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
ratio=0.8
在这里插入图片描述
ratio=0.9
在这里插入图片描述
在这里插入图片描述

基于BFmatcher的SIFT实现2

在这里插入图片描述
在这里插入图片描述
ratio=0.2
在这里插入图片描述
ratio=0.5
在这里插入图片描述
ratio=0.8
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
ratio=whatever
在这里插入图片描述

基于FlannBasedMatcher的SURF实现

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

基于FlannBasedMatcher的SIFT实现

在这里插入图片描述
在这里插入图片描述
ratio=0.8
在这里插入图片描述

基于BFMatcher的ORB实现

在这里插入图片描述
在这里插入图片描述
ratio=0.8
在这里插入图片描述
ratio=0.9
在这里插入图片描述
ratio=0.99
在这里插入图片描述

高清图片实验

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

一些想法

当时进行这个实验时间比较紧凑，代码研究不到位，总感觉一些参数是可以优化的。
但毋庸置疑的结论就是这些方法在高清图片上表现优异，面对十分模糊的Re-ID图片显得仓皇失措。
结合一篇去模糊的论文：
【论文笔记】Unsupervised Domain-Specific Deblurring via Disentangled Representations
或许可以通过将去模糊方法应用到整个人体上以实现图片转清晰化，进而运行纹理学习的一些方法进行实验以提高匹配精度，有兴趣的朋友不放尝试一下。

贴一下“年久失修”的代码（还是可以用的！）

两个不同形式的基于BFmatcher的SIFT

One

import cv2
import numpy as npdef sift_kp(image):gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)sift = cv2.xfeatures2d.SIFT_create()kp, des = sift.detectAndCompute(image, None)kp_image = cv2.drawKeypoints(gray_image, kp, None)return kp_image, kp, desdef get_good_match(des1, des2):bf = cv2.BFMatcher()matches = bf.knnMatch(des1, des2, k=2)  # des1为模板图，des2为匹配图matches = sorted(matches, key=lambda x: x[0].distance / x[1].distance)good = []for m, n in matches:if m.distance < 0.9 * n.distance:good.append(m)return goodimg1 = cv2.imread(r'1.png')
img2 = cv2.imread(r'2.png')kpimg1, kp1, des1 = sift_kp(img1)
kpimg2, kp2, des2 = sift_kp(img2)cv2.namedWindow("img1",0)
cv2.resizeWindow("img1", 640, 480)
cv2.imshow('img1',np.hstack((img1,kpimg1)))
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.namedWindow("img2",0)
cv2.resizeWindow("img2", 640, 480)
cv2.imshow('img2',np.hstack((img2,kpimg2)))
cv2.waitKey(0)
cv2.destroyAllWindows()goodMatch = get_good_match(des1, des2)
all_goodmatch_img= cv2.drawMatches(img1, kp1, img2, kp2, goodMatch, None, flags=2)
# goodmatch_img自己设置前多少个goodMatch[:10]
goodmatch_img = cv2.drawMatches(img1, kp1, img2, kp2, goodMatch[:100], None, flags=2)cv2.namedWindow("all_goodmatch_img",0)
cv2.resizeWindow("all_goodmatch_img", 640, 480)
cv2.imshow('all_goodmatch_img', all_goodmatch_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.namedWindow("goodmatch_img",0)
cv2.resizeWindow("goodmatch_img", 640, 480)
cv2.imshow('goodmatch_img', goodmatch_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

Two

import numpy as np
import cv2# 匹配的图片
imgname1 = '1.png'
imgname2 = '2.png'# SIFT特征描述子
sift = cv2.xfeatures2d.SIFT_create()# 读取第一张图像，并做灰度处理
# kp1、des1分别为第一张图像的 keypoints and descriptors
img1 = cv2.imread(imgname1)
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
kp1, des1 = sift.detectAndCompute(img1,None)# 读取第二张图像，并做灰度处理
# kp2、des2分别为第二张图像的 keypoints and descriptors
img2 = cv2.imread(imgname2)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
kp2, des2 = sift.detectAndCompute(img2,None)# 水平拼接两张灰度图像，窗口处理
hmerge = np.hstack((gray1, gray2))
cv2.namedWindow("gray",0)
cv2.resizeWindow("gray", 640, 480)
cv2.imshow("gray", hmerge)
cv2.waitKey(0)
cv2.destroyAllWindows()# 画出特征点，并显示为红色圆圈
img3 = cv2.drawKeypoints(img1,kp1,img1,color=(255,0,255))
img4 = cv2.drawKeypoints(img2,kp2,img2,color=(255,0,255))
hmerge = np.hstack((img3, img4))
cv2.namedWindow("point",0)
cv2.resizeWindow("point", 640, 480)
cv2.imshow("point", hmerge)
cv2.waitKey(0)
cv2.destroyAllWindows()# BFMatcher解决匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1,des2, k=2)
# 调整ratio
good = []
for m,n in matches:if m.distance < 0.8*n.distance:good.append([m])# 绘制匹配结果
img5 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,flags=2)
cv2.namedWindow("BFmatch",0)
cv2.resizeWindow("BFmatch", 640, 480)
cv2.imshow("BFmatch", img5)
cv2.waitKey(0)
cv2.destroyAllWindows()
基于FlannBasedMatcher的SURF
import numpy as np
import cv2
from matplotlib import pyplot as pltimgname1 = 't1.jpeg'
imgname2 = 't2.jpeg'surf = cv2.xfeatures2d.SURF_create()FLANN_INDEX_KDTREE = 0
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params,search_params)img1 = cv2.imread(imgname1)
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) #灰度处理图像
kp1, des1 = surf.detectAndCompute(img1,None)#des是描述子img2 = cv2.imread(imgname2)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
kp2, des2 = surf.detectAndCompute(img2,None)hmerge = np.hstack((gray1, gray2)) #水平拼接
cv2.namedWindow("gray",0)
cv2.resizeWindow("gray", 640, 480)
cv2.imshow("gray", hmerge) #拼接显示为gray
cv2.waitKey(0)
cv2.destroyAllWindows()img3 = cv2.drawKeypoints(img1,kp1,img1,color=(255,0,255))
img4 = cv2.drawKeypoints(img2,kp2,img2,color=(255,0,255))hmerge = np.hstack((img3, img4)) #水平拼接
cv2.namedWindow("point",0)
cv2.resizeWindow("point", 640, 480)
cv2.imshow("point", hmerge) #拼接显示为gray
cv2.waitKey(0)
cv2.destroyAllWindows()matches = flann.knnMatch(des1,des2,k=2)good = []
for m,n in matches:if m.distance < 0.8*n.distance:good.append([m])
img5 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
cv2.namedWindow("SURF",0)
cv2.resizeWindow("SURF", 640, 480)
cv2.imshow("SURF", img5)
cv2.waitKey(0)
cv2.destroyAllWindows()
基于FlannBasedMatcher的SIFT
import numpy as np
import cv2
from matplotlib import pyplot as pltimgname1 = '3.png'
imgname2 = '4.png'sift = cv2.xfeatures2d.SIFT_create()# FLANN 参数设计
FLANN_INDEX_KDTREE = 0
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params,search_params)img1 = cv2.imread(imgname1)
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) #灰度处理图像
kp1, des1 = sift.detectAndCompute(img1,None)#des是描述子img2 = cv2.imread(imgname2)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
kp2, des2 = sift.detectAndCompute(img2,None)hmerge = np.hstack((gray1, gray2)) #水平拼接
cv2.namedWindow("gray",0)
cv2.resizeWindow("gray", 640, 480)
cv2.imshow("gray", hmerge) #拼接显示为gray
cv2.waitKey(0)
cv2.destroyAllWindows()img3 = cv2.drawKeypoints(img1,kp1,img1,color=(255,0,255))
img4 = cv2.drawKeypoints(img2,kp2,img2,color=(255,0,255))hmerge = np.hstack((img3, img4)) #水平拼接
cv2.namedWindow("point",0)
cv2.resizeWindow("point", 640, 480)
cv2.imshow("point", hmerge) #拼接显示为gray
cv2.waitKey(0)
cv2.destroyAllWindows()
matches = flann.knnMatch(des1,des2,k=2)
matchesMask = [[0,0] for i in range(len(matches))]good = []
for m,n in matches:if m.distance < 0.8*n.distance:good.append([m])img5 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
cv2.namedWindow("FLANN",0)
cv2.resizeWindow("FLANN", 640, 480)
cv2.imshow("FLANN", img5)
cv2.waitKey(0)
cv2.destroyAllWindows()
基于BFmatcher的ORB
import numpy as np
import cv2
from matplotlib import pyplot as pltimgname1 = 'b.png'
imgname2 = 'f.png'orb = cv2.ORB_create()img1 = cv2.imread(imgname1)
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) #灰度处理图像
kp1, des1 = orb.detectAndCompute(img1,None)#des是描述子img2 = cv2.imread(imgname2)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
kp2, des2 = orb.detectAndCompute(img2,None)hmerge = np.hstack((gray1, gray2)) #水平拼接
cv2.namedWindow("gray",0)
cv2.resizeWindow("gray", 640, 480)
cv2.imshow("gray", hmerge) #拼接显示为gray
cv2.waitKey(0)
cv2.destroyAllWindows()img3 = cv2.drawKeypoints(img1,kp1,img1,color=(255,0,255))
img4 = cv2.drawKeypoints(img2,kp2,img2,color=(255,0,255))hmerge = np.hstack((img3, img4)) #水平拼接
cv2.namedWindow("point",0)
cv2.resizeWindow("point", 640, 480)
cv2.imshow("point", hmerge) #拼接显示为gray
cv2.waitKey(0)
cv2.destroyAllWindows()# BFMatcher解决匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1,des2, k=2)
# 调整ratio
good = []
for m,n in matches:if m.distance < 0.99*n.distance:good.append([m])img5 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
cv2.namedWindow("ORB",0)
cv2.resizeWindow("ORB", 640, 480)
cv2.imshow("ORB", img5)
cv2.waitKey(0)
cv2.destroyAllWindows()

给大家放一下实验原图片

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

这篇关于【纹理学习】基于BFmatcher/FlannBasedMatcher的SIFT/ORB/SURF在Re-ID的简单实现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/805355。

相关文章

Python如何实现PDF隐私信息检测

Python如何实现PDF隐私信息检测

《Python如何实现PDF隐私信息检测》随着越来越多的个人信息以电子形式存储和传输,确保这些信息的安全至关重要,本文将介绍如何使用Python检测PDF文件中的隐私信息,需要的可以参考下... 目录项目背景技术栈代码解析功能说明运行结php果在当今，数据隐私保护变得尤为重要。随着越来越多的个人信息以电子形
阅读更多...
使用 sql-research-assistant进行 SQL 数据库研究的实战指南(代码实现演示)

使用 sql-research-assistant进行 SQL 数据库研究的实战指南(代码实现演示)

《使用sql-research-assistant进行SQL数据库研究的实战指南(代码实现演示)》本文介绍了sql-research-assistant工具,该工具基于LangChain框架,集... 目录技术背景介绍核心原理解析代码实现演示安装和配置项目集成LangSmith 配置（可选）启动服务应用场景
阅读更多...
使用Python快速实现链接转word文档

使用Python快速实现链接转word文档

《使用Python快速实现链接转word文档》这篇文章主要为大家详细介绍了如何使用Python快速实现链接转word文档功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 演示代码展示from newspaper import Articlefrom docx import
阅读更多...
前端原生js实现拖拽排课效果实例

前端原生js实现拖拽排课效果实例

《前端原生js实现拖拽排课效果实例》：本文主要介绍如何实现一个简单的课程表拖拽功能,通过HTML、CSS和JavaScript的配合,我们实现了课程项的拖拽、放置和显示功能,文中通过实例代码介绍的... 目录1. 效果展示2. 效果分析2.1 关键点2.2 实现方法3. 代码实现3.1 html部分3.2
阅读更多...
redis群集简单部署过程

redis群集简单部署过程

《redis群集简单部署过程》文章介绍了Redis,一个高性能的键值存储系统,其支持多种数据结构和命令,它还讨论了Redis的服务器端架构、数据存储和获取、协议和命令、高可用性方案、缓存机制以及监控和... 目录Redis介绍1. 基本概念2. 服务器端3. 存储和获取数据4. 协议和命令5. 高可用性6.
阅读更多...
Java深度学习库DJL实现Python的NumPy方式

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操
阅读更多...
最长公共子序列问题的深度分析与Java实现方式

最长公共子序列问题的深度分析与Java实现方式

《最长公共子序列问题的深度分析与Java实现方式》本文详细介绍了最长公共子序列（LCS）问题,包括其概念、暴力解法、动态规划解法,并提供了Java代码实现,暴力解法虽然简单,但在大数据处理中效率较低,... 目录最长公共子序列问题概述问题理解与示例分析暴力解法思路与示例代码动态规划解法DP 表的构建与意义动
阅读更多...
java父子线程之间实现共享传递数据

java父子线程之间实现共享传递数据

《java父子线程之间实现共享传递数据》本文介绍了Java中父子线程间共享传递数据的几种方法,包括ThreadLocal变量、并发集合和内存队列或消息队列,并提醒注意并发安全问题... 目录通过 ThreadLocal 变量共享数据通过并发集合共享数据通过内存队列或消息队列共享数据注意并发安全问题总结在 J
阅读更多...
SpringBoot+MyBatis-Flex配置ProxySQL的实现步骤

SpringBoot+MyBatis-Flex配置ProxySQL的实现步骤

《SpringBoot+MyBatis-Flex配置ProxySQL的实现步骤》本文主要介绍了SpringBoot+MyBatis-Flex配置ProxySQL的实现步骤,文中通过示例代码介绍的非常详... 目录 目标 步骤 1：确保 ProxySQL 和 mysql 主从同步已正确配置ProxySQL 的
阅读更多...
JS 实现复制到剪贴板的几种方式小结

JS 实现复制到剪贴板的几种方式小结

《JS实现复制到剪贴板的几种方式小结》本文主要介绍了JS实现复制到剪贴板的几种方式小结,包括ClipboardAPI和document.execCommand这两种方法,具有一定的参考价值,感兴趣的... 目录一、Clipboard API相关属性方法二、document.execCommand优点：缺点：
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2