【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生成随机唯一id的几种实现方法

python生成随机唯一id的几种实现方法

《python生成随机唯一id的几种实现方法》在Python中生成随机唯一ID有多种方法,根据不同的需求场景可以选择最适合的方案,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习... 目录方法 1：使用 UUID 模块（推荐）方法 2：使用 Secrets 模块（安全敏感场景）方法
阅读更多...
Spring StateMachine实现状态机使用示例详解

Spring StateMachine实现状态机使用示例详解

《SpringStateMachine实现状态机使用示例详解》本文介绍SpringStateMachine实现状态机的步骤,包括依赖导入、枚举定义、状态转移规则配置、上下文管理及服务调用示例,重点解... 目录什么是状态机使用示例什么是状态机状态机是计算机科学中的​​核心建模工具​​，用于描述对象在其生命
阅读更多...
Spring Boot 结合 WxJava 实现文章上传微信公众号草稿箱与群发

Spring Boot 结合 WxJava 实现文章上传微信公众号草稿箱与群发

《SpringBoot结合WxJava实现文章上传微信公众号草稿箱与群发》本文将详细介绍如何使用SpringBoot框架结合WxJava开发工具包,实现文章上传到微信公众号草稿箱以及群发功能,... 目录一、项目环境准备1.1 开发环境1.2 微信公众号准备二、Spring Boot 项目搭建2.1 创建
阅读更多...
IntelliJ IDEA2025创建SpringBoot项目的实现步骤

IntelliJ IDEA2025创建SpringBoot项目的实现步骤

《IntelliJIDEA2025创建SpringBoot项目的实现步骤》本文主要介绍了IntelliJIDEA2025创建SpringBoot项目的实现步骤,文中通过示例代码介绍的非常详细,对大家... 目录一、创建 Spring Boot 项目1. 新建项目2. 基础配置3. 选择依赖4. 生成项目5.
阅读更多...
Linux下删除乱码文件和目录的实现方式

Linux下删除乱码文件和目录的实现方式

《Linux下删除乱码文件和目录的实现方式》：本文主要介绍Linux下删除乱码文件和目录的实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录linux下删除乱码文件和目录方法1方法2总结Linux下删除乱码文件和目录方法1使用ls -i命令找到文件或目录
阅读更多...
SpringBoot+EasyExcel实现自定义复杂样式导入导出

SpringBoot+EasyExcel实现自定义复杂样式导入导出

《SpringBoot+EasyExcel实现自定义复杂样式导入导出》这篇文章主要为大家详细介绍了SpringBoot如何结果EasyExcel实现自定义复杂样式导入导出功能,文中的示例代码讲解详细,... 目录安装处理自定义导出复杂场景1、列不固定，动态列2、动态下拉3、自定义锁定行/列，添加密码4、合并
阅读更多...
mybatis执行insert返回id实现详解

mybatis执行insert返回id实现详解

《mybatis执行insert返回id实现详解》MyBatis插入操作默认返回受影响行数,需通过useGeneratedKeys+keyProperty或selectKey获取主键ID,确保主键为自... 目录 两种方式获取自增 ID：1. ​​useGeneratedKeys+keyProperty（推
阅读更多...
Spring Boot集成Druid实现数据源管理与监控的详细步骤

Spring Boot集成Druid实现数据源管理与监控的详细步骤

《SpringBoot集成Druid实现数据源管理与监控的详细步骤》本文介绍如何在SpringBoot项目中集成Druid数据库连接池,包括环境搭建、Maven依赖配置、SpringBoot配置文件... 目录1. 引言1.1 环境准备1.2 Druid介绍2. 配置Druid连接池3. 查看Druid监控
阅读更多...
Linux在线解压jar包的实现方式

Linux在线解压jar包的实现方式

《Linux在线解压jar包的实现方式》：本文主要介绍Linux在线解压jar包的实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录linux在线解压jar包解压 jar包的步骤总结Linux在线解压jar包在 Centos 中解压 jar 包可以使用 u
阅读更多...
c++ 类成员变量默认初始值的实现

c++ 类成员变量默认初始值的实现

《c++类成员变量默认初始值的实现》本文主要介绍了c++类成员变量默认初始值,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧... 目录C++类成员变量初始化c++类的变量的初始化在C++中，如果使用类成员变量时未给定其初始值，那么它将被
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2