高效使用不同尺寸的模板匹配

Question

有没有更有效的方法来使用模板匹配不同尺寸的图像？ 这是我当前的脚本：

import cv2
import numpy as np

img_bgr = cv2.imread('./full.jpg')
img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)

template = cv2.imread('./template.jpg', 0)

w, h = template.shape[::-1]

res = cv2.matchTemplate(img_gray, template, 
cv2.TM_CCOEFF_NORMED)
threshold = 0.8
loc = np.where(res >= threshold)

for pt in zip(*loc[::-1]):
  cv2.rectangle(img_bgr, pt, (pt[0]+w, pt[1]+h), (0,255,255), 2)

cv2.imshow('detected', img_bgr)
cv2.waitKey(0)
cv2.destroyAllWindows()

这是我的模板： 模板

我有这些图像，第一个可以工作，第二个因为尺寸而不能：

有效！

失败

乍一看，我认为它失败是因为模板与图像的大小

所以我尝试使用本教程：多尺度匹配

但这看起来真的很慢而且笨重，特别是因为我打算在它工作时在视频中使用它。有没有更好的办法来处理这个问题

另外，最终我也只想检查图像的右上角，我知道这是一个完全不同的问题，但如果您有任何想法，因为我们正在讨论缩放:)

Answer 1

最简单的方法是使用特征匹配而不是模板匹配。特征匹配正是针对此类应用程序。它还可以检测图像是否旋转..等等

看看这个 https://docs.opencv.org/master/dc/dc3/tutorial_py_matcher.html

Answer 2

针对不同尺寸使用多尺度模板匹配

Answer 3

您要寻找的东西并不那么简单。需要的是

multi-scale template matching

，但正如你提到的，它会很慢，尤其是当图像分辨率相当高时。

针对这种情况，最好、最简单的解决方案是训练一个小型的卷积神经网络。利用迁移学习并在您的数据上训练

SSD mobilenet

，您将拥有一个可以很好地为您完成此检测的网络，相信我，它会非常快。物体检测将为您提供最快、更好、更准确的解决方案。

这里有一个链接，其中有一篇文章解释了如何训练视频中的对象检测。

Answer 4

使用基于 AI 的算法代替 OpenCV 怎么样？ Mask R-CNN、YOLO、TensorFlow 对象检测 API 等。 上面的算法可能已经足够老了......