Question

这个答案here是Python的实现，我从中得到了启发，但是我需要C++，这个答案非常有效，我想到的是：{{1 }}得到detectAndCompute，使用keypoints将它们分割成簇，然后对每个簇对每个kmeans做matcher->knnMatch，然后再做其他事情，例如常见的单次检测方法。主要问题是，如何为每个集群的descriptors进程提供descriptors？我认为我们应该将与matcher->knnMatch相对应的其他keypoints的值设置为0（无用），对吗？在尝试时遇到了一些问题：

如何估算descriptor的群集数？
为什么可以为kmeans这样的集群创建Mat数组？

非常感谢您的帮助！

Mat descriptors_scene_clusters[3] = { Mat(descriptors_scene.rows, descriptors_scene.cols, CV_8U, Scalar(0)) };

Answer 1

我不知道您的问题的解决方案，但是以下内容可能有助于回答您提出的问题。

在评论中说，您可能需要opencv已经拥有的meanshift实现。 Here是示例，here文档带有教程。

clusterCount的{{1}}是您要创建link的群集数。我不知道如何估算您要创建的数量，但我想您可能知道。
您只能使用一个元素来初始化kmeans：

descriptors_scene_clusters

当您对其进行迭代时：

Mat descriptors_scene_clusters[3] = { Mat(descriptors_scene.rows, descriptors_scene.cols, CV_8U, Scalar(0)) };

for (int i=0; i<labels.rows; i++) { int clusterIndex = labels.at<int>(i); Point2f pt = keypoints_scene_points.at<Point2f>(i); descriptors_scene_clusters[clusterIndex].at<uchar>(pt) = descriptors_scene.at<uchar>(pt); // ?????? error }为2，您访问数组中未初始化的元素，结果为clusterIndex。

我希望这有助于进一步调查！

Answer 2

您可以使用简单的群集器直接计算群集，查找群集数和/或对kmeans进行群集中心初始化。在此之下，可能是凝聚式群集器的实现，该群集器将靠近指定距离的点组合在一起-参见构造函数中的dist参数。在您的情况下，dist可能是小图像中关键点之间的最大距离。

头文件：

class PointsClusterer {
public:
     PointsClusterer (int dist, std::vector <cv::Point2f> points);
     bool cluster();
     std::map <int, std::vector <cv::Point2f>> getClusters ();

private:

    double distance (int i, int j);
    void merge (int i, int j);

private:

    std::vector <cv::Point2f> m_Points;
    std::map <int, std::vector <int>> m_Clusters;
    std::map <int, cv::Point2f> m_Sums;
    int m_dist = 0;
};

Cpp文件：

PointsClusterer::PointsClusterer (int dist, std::vector <cv::Point2f> points) :
m_dist(dist), m_Points (points)
{}

bool PointsClusterer::cluster()
{
//initialization
    for (int i = 0; i < m_Points.size(); ++i)
    {
        clusters[i] = std::vector<int>(1, i);
        sum_clusters[i] = m_Points[i];
    }

    bool still_merge = true;
    //Merge clusters
    while (still_merge)
    {
        still_merge = false;
        bool break_i = false;

        for (int i=0; i < m_Clusters.size () && !break_i ;++i)
        for (int j=i+1; j < m_Clusters.size ();++j)
        {
            if (distance(i, j) < m_dist)
            {
                merge(i, j);
                break_i = true;
                still_merge = true;
                break;
            }
        }
    }
//final conversion to std::map <int, std::vector <cv::Point2f>> is missing

}


void PointsClusterer::merge(int i, int j)
{
    auto it = m_Clusters.begin();
    auto iti = it+i;
    auto itj = it+j;

    for (val : itj->second)
    {
         iti->second.push_back(val);
         m_Sums[iti->first]+=m_Points[val];
    }
    m_Clusters.erase(itj);
}

double PointsClusterer::distance(int i, int j)
{
    auto it = m_Clusters.begin();
    auto iti = it + i;
    auto itj = it + j;
    auto vali = m_Sums[iti->first] / iti->second.size();
    auto valj = m_Sums[itj->first] / itj->second.size();
    return cv::norm(vali - valj);
}

群集方法的实现被过分简化，因此很明显它是如何工作的。它的性能可以提高，但是我认为这超出了您的问题范围。

如何在C ++中使用OpenCV检测多个对象？

2 个答案: