openmv如何进行特征点保存和识别相结合

特征点保存程序：

# 特征点保存例程
# 此示例显示如何将关键点描述符保存到文件。向相机显示一个对象，然后运行
# 该脚本。该脚本将提取并保存关键点描述符和图像。
# 您可以使用keypoints_editor.py 来删除不需要的关键点。
#
# 注意：请在运行此脚本后重置摄像头以查看新文件。
import sensor, time, image

# 重置传感器
sensor.reset()

# 传感器设置
sensor.set_contrast(3)
sensor.set_gainceiling(16)
sensor.set_framesize(sensor.VGA)
sensor.set_windowing((320, 240))
sensor.set_pixformat(sensor.GRAYSCALE)

sensor.skip_frames(time = 2000)
sensor.set_auto_gain(False, value=100)

FILE_NAME = "desc"
img = sensor.snapshot()
# 注意：请参阅文档查看其他参数
# 注：默认情况下，find_keypoints返回从图像中提取的多尺度关键点。
kpts = img.find_keypoints(max_keypoints=150, threshold=10, scale_factor=1.2)

if (kpts == None):
    raise(Exception("Couldn't find any keypoints!"))

image.save_descriptor(kpts, "/%s.orb"%(FILE_NAME))
img.save("/%s.pgm"%(FILE_NAME))

img.draw_keypoints(kpts)
sensor.snapshot()
time.sleep(1000)
raise(Exception("Done! Please reset the camera"))

注意：此文件保存的内容为desc.orb和desc.pgm两个文件，其中desc.pgm为图片，我们可以自己改名字。将desc改为自己取的名字就好

 

 

特征点对边程序：

# 利用特征点检测特定物体例程。

# 向相机显示一个对象，然后运行该脚本。 一组关键点将被提取一次，然后

# 在以下帧中进行跟踪。 如果您想要一组新的关键点，请重新运行该脚本。

# 注意：请参阅文档以调整find_keypoints和match_keypoints。

import sensor, time, image

# 重置传感器

sensor.reset()

# 传感器设置

sensor.set_contrast(3)

sensor.set_gainceiling(16)

sensor.set_framesize(sensor.VGA)

sensor.set_windowing((320, 240))

sensor.set_pixformat(sensor.GRAYSCALE)

sensor.skip_frames(time = 2000)

sensor.set_auto_gain(False, value=100)

#画出特征点

def draw_keypoints(img, kpts):

    if kpts:

        print(kpts)

        img.draw_keypoints(kpts)

        img = sensor.snapshot()

        time.sleep(1000)

#kpts1 = None

#kpts1保存目标物体的特征，可以从文件导入特征，但是不建议这么做。

kpts1 = image.load_descriptor("/desc2.orb")

img = sensor.snapshot()

#draw_keypoints(img, kpts1)

clock = time.clock()

while (True):

    clock.tick()

    img = sensor.snapshot()

    if (kpts1 == None):

        #如果是刚开始运行程序，提取最开始的图像作为目标物体特征，kpts1保存目标物体的特征

        #默认会匹配目标特征的多种比例大小，而不仅仅是保存目标特征时的大小，比模版匹配灵活。

        # NOTE: By default find_keypoints returns multi-scale keypoints extracted from an image pyramid.

        kpts1 = img.find_keypoints(max_keypoints=150, threshold=10, scale_factor=1.2)

        #image.find_keypoints(roi=Auto, threshold=20, normalized=False, scale_factor=1.5, max_keypoints=100, corner_detector=CORNER_AGAST)

        #roi表示识别的区域，是一个元组（x,y,w,h）,默认与framsesize大小一致。

        #threshold是0~255的一个阈值，用来控制特征点检测的角点数量。用默认的AGAST特征点检测，这个阈值大概是20。用FAST特征点检测，这个阈值大概是60～80。阈值越低，获得的角点越多。

        #normalized是一个布尔数值，默认是False，可以匹配目标特征的多种大小（比ncc模版匹配效果灵活）。如果设置为True，关闭特征点检测的多比例结果，仅匹配目标特征的一种大小（类似于模版匹配），但是运算速度会更快一些。

        #scale_factor是一个大于1.0的浮点数。这个数值越高，检测速度越快，但是匹配准确率会下降。一般在1.35~1.5左右最佳。

        #max_keypoints是一个物体可提取的特征点的最大数量。如果一个物体的特征点太多导致RAM内存爆掉，减小这个数值。

        #corner_detector是特征点检测采取的算法，默认是AGAST算法。FAST算法会更快但是准确率会下降。

        draw_keypoints(img, kpts1)

        #画出此时的目标特征

    else:

        # 当与最开始的目标特征进行匹配时，默认设置normalized=True，只匹配目标特征的一种大小。

        # NOTE: When extracting keypoints to match the first descriptor, we use normalized=True to extract

        # keypoints from the first scale only, which will match one of the scales in the first descriptor.

        kpts2 = img.find_keypoints(max_keypoints=150, threshold=10, normalized=True)

        #如果检测到特征物体

        if (kpts2):

            #匹配当前找到的特征和最初的目标特征的相似度

            match = image.match_descriptor(kpts1, kpts2, threshold=85)

            #image.match_descriptor(descritor0, descriptor1, threshold=70, filter_outliers=False)。本函数返回kptmatch对象。

            #threshold阈值设置匹配的准确度，用来过滤掉有歧义的匹配。这个值越小，准确度越高。阈值范围0～100，默认70

            #filter_outliers默认关闭。

            #match.count()是kpt1和kpt2的匹配的近似特征点数目。

            #如果大于10，证明两个特征相似，匹配成功。

            if (match.count()>10):

                # If we have at least n "good matches"

                # Draw bounding rectangle and cross.

                #在匹配到的目标特征中心画十字和矩形框。

                img.draw_rectangle(match.rect())

                img.draw_cross(match.cx(), match.cy(), size=10)

            #match.theta()是匹配到的特征物体相对目标物体的旋转角度。

                print(kpts2, "matched:%d dt:%d"%(match.count(), match.theta()))

            elif (match.count()<10):

                  print("no")

            # 不建议draw_keypoints画出特征关键点。

            # 注意:如果你想绘制关键点，取消注释

            #img.draw_keypoints(kpts2, size=KEYPOINTS_SIZE, matched=True)

    #打印帧率。

    img.draw_string(0, 0, "FPS:%.2f"%(clock.fps()))

 

 

注意：这里我将检验特诊对比后的match.count小于10的输出为no。