使用OpenCV進(jìn)行對象檢測

重磅干貨，第一時(shí)間送達(dá)

目標(biāo)檢測是圖像處理的重要組成部分。自動(dòng)駕駛汽車必須檢測車道，路面，其他車輛，人，標(biāo)志和信號(hào)等。我們生活在一個(gè)動(dòng)態(tài)的世界中，一切都在不斷變化。對象檢測的應(yīng)用無處不在。

我們正在研究自動(dòng)駕駛汽車的深度學(xué)習(xí)和計(jì)算機(jī)視覺。特征檢測是對象檢測的任務(wù)之一。那么，什么是特征檢測？對于人類，我們了解圖案，形狀，大小，顏色，長度以及其他可識(shí)別物體的物體。它也有點(diǎn)類似于計(jì)算機(jī)。

特征可以是形狀，邊緣，長度等任何形式，也可以是所有特征的組合。在我們之前有DeepFake檢測的項(xiàng)目，我們使用MSE（均方誤差），PSNR（峰值信噪比），SSIM（結(jié)構(gòu)相似性指數(shù)）和直方圖作為特征從真實(shí)圖像中識(shí)別DeepFake圖像。

一個(gè)好的算法必須是可重復(fù)的和可擴(kuò)展的。例如，假設(shè)目標(biāo)是從大量圖像中檢測狗，其中還包含貓和其他動(dòng)物的圖像。

關(guān)于特征的表述，它必須是獨(dú)特的，并且需要在大多數(shù)數(shù)據(jù)中顯示。如果我們有大部分與上述兩張圖片相似的圖片，那么這里的不好的特征是什么？

在這種情況下，一個(gè)不好的特征就是耳朵的大小。我們的理解是狗耳朵的大小通常較大。但這不是示例圖像中的原因。在第一個(gè)圖像中，狗的耳朵與貓相似，甚至更小。如果我們僅使用耳廓大小作為特征來僅使用這兩個(gè)圖像來訓(xùn)練模型，則我們將有50％的真陰性或假陽性。這帶來了另一個(gè)重要的觀點(diǎn)。如果您想在模型中獲得更高的成功，則應(yīng)謹(jǐn)慎選擇該功能。大小尺寸也不是一個(gè)好的特征。

我們的目標(biāo)是識(shí)別其他物體，例如道路上的卡車。我們可以使用哈里斯角點(diǎn)檢測或精巧邊緣檢測之類的技術(shù)來檢測邊緣。我們需要將汽車，行人，標(biāo)志與圖像分開。我們可以使用OpenCV專門識(shí)別卡車。

import cv2cv2.matchTemplate()

模板匹配只是一種將輸入圖像復(fù)制到模板圖像上，并在模板圖像下比較模板圖像和輸入圖像的技術(shù)。它返回一個(gè)灰度圖像，表示該模板與多少個(gè)像素匹配。OpenCV提供了許多模板匹配方法。這是相關(guān)系數(shù)的數(shù)學(xué)公式。

一旦在兩個(gè)圖像中都找到匹配項(xiàng)，它將選出相似點(diǎn)。OpenCV官方文檔在此處提供了帶有代碼示例的詳細(xì)信息。讓我們找到路上的卡車。

import cv2import numpy as npimport matplotlib.image as mpimgfrom matplotlib import pyplot as plt%matplotlib inlineimage_color =cv2.imread('actual_truck.jpg')plt.imshow(image_color)

我們從文件中讀取圖像。我們將在此圖像中找到卡車。

使用灰度的原因是使圖像盡可能簡單。不需要彩色圖像。顏色增加了圖像的復(fù)雜度，并增加了信噪比。

image_gray = cv2.cvtColor（image_color，cv2.COLOR_BGR2GRAY）plt.imshow（image_gray，cmap ='gray'）

這是我們的模板圖像。OpenCV使用此圖像收集了特征并找到了卡車。

import cv2import numpy as npimport matplotlib.image as mpimgfrom matplotlib import pyplot as plt%matplotlib inlineimage_color =cv2.imread('sample_truck.jpg')x= 235y = 350h = 200w = 150cropped=image_color[y:y+h, x:x+w]plt.imshow(cropped)status = cv2.imwrite('t.jpg', cropped)print("Image written to file-system :",status)

# Perform template matching using OpneCVresult = cv2.matchTemplate(image_gray,template, cv2.TM_CCOEFF_NORMED)print(result.shape)plt.imshow(result)

min_val, max_val, min_loc, max_loc =cv2.minMaxLoc(result)top_left = max_locbottom_right = (top_left[0] + w,top_left[1] + h)cv2.rectangle(image_color, top_left,bottom_right, (10,10,255), 5)plt.imshow(image_color)

我們介紹了什么是圖像處理及其應(yīng)用。然后我們討論有關(guān)cv2.matchTemplate（）。最后，我們使用模板匹配來識(shí)別道路上的卡車。