使用 Opencv 分布良好的功能答案

【问题标题】：Well distributed features using Opencv使用 Opencv 分布良好的功能
【发布时间】：2012-02-09 11:58:04
【问题描述】：

我正在尝试在视频序列的两帧之间找到匹配项（没有大动作，只是一步），我使用了 SURF 和 FAST 功能以及蛮力匹配器，结果很好，但我需要的是得到“好”分布式特征，我查了一下，发现在 Szeliski 书中有一个叫做 Adaptive non-maximal suppression 的东西确实可以做到，那么在 opencv 中有没有这样做的东西，我希望匹配器在一个小窗口中查找匹配项，无需扫描所有描述符。

【问题讨论】：

更适合dsp.stackexchange
问题是什么？

标签： c++ opencv computer-vision

【解决方案1】：

最近有一篇论文"Efficient adaptive non-maximal suppression algorithms for homogeneous spatial keypoint distribution" 解决了图像上的均匀关键点分布问题。此repository 中提供了 C++、Python 和 Matlab 接口。它可以毫不费力地包含在您的 c++ 代码中，并与通过 OpenCV 派生的关键点一起工作。

【讨论】：

【解决方案2】：

这是我为基于 KD-Tree 的局部非最大特征抑制编写的一个简单的 Python 实现。它假设 kps 是一组 opencv 2d 稀疏特征（SIFT、SURF、AKAZE 等）。它根据（降序）分数对特征进行排序，然后按分数顺序开始查询它们，从集合中删除高分特征的邻居（并避免它们未来的查询以提高效率）

将 r 调整为您想要的空间稀疏度，并根据特征的初始密度调整 k_max。

from scipy.spatial.kdtree import KDTree
import numpy as np

def KDT_NMS(kps, descs=None, r=15, k_max=20):
    """ Use kd-tree to perform local non-maximum suppression of key-points
    kps - key points obtained by one of openCVs 2d features detectors (SIFT, SURF, AKAZE etc..)
    r - the radius of points to query for removal
    k_max - maximum points retreived in single query
    """
    # sort by score to keep highest score features in each locality
    neg_responses = [-kp.response for kp in kps]
    order = np.argsort(neg_responses)
    kps = np.array(kps)[order].tolist()

    # create kd-tree for quick NN queries
    data = np.array([list(kp.pt) for kp in kps])
    kd_tree = KDTree(data)

    # perform NMS using kd-tree, by querying points by score order, 
    # and removing neighbors from future queries
    N = len(kps)
    removed = set()
    for i in range(N):
        if i in removed:
            continue

        dist, inds = kd_tree.query(data[i,:],k=k_max,distance_upper_bound=r)
        for j in inds: 
            if j>i:
                removed.add(j)

    kp_filtered = [kp for i,kp in enumerate(kps) if i not in removed]
    descs_filtered = None
    if descs is not None:
        descs = descs[order]
        descs_filtered = np.array([desc for i,desc in enumerate(descs) if i not in removed],dtype=np.float32)
    print('Filtered',len(kp_filtered),'of',N)
    return kp_filtered, descs_filtered

【讨论】：