Question

我有一个正常的ORB应用程序。由于没有办法找出我的单应性的准确性，我试图找出我的比赛的准确性，这是正确的方法吗？在我的代码中，显然删除异常值后的匹配是在raw_matches中。我想在进行比率测试后得到好的匹配并找到它们的准确性。

代码：

detector = cv2.ORB_create(FEATURESCOUNT)
kp1, desc1 = detector.detectAndCompute(img1, None)
kp2, desc2 = detector.detectAndCompute(img2, None)

flann_params= dict(algorithm = FLANN_INDEX_LSH, table_number = 6, key_size = 12, bmulti_probe_level = 1)
matcher = cv2.FlannBasedMatcher(flann_params, {})
raw_matches = matcher.knnMatch(desc1, trainDescriptors = desc2, k = 2)

ratio = 0.9
mkp1, mkp2 = [], []

for m in raw_matches:
    if len(m) == 2 and m[0].distance < m[1].distance * ratio:
        m = m[0]
        mkp1.append( kp1[m.queryIdx] )
        mkp2.append( kp2[m.trainIdx] )

print max(distmax)
distall = sum(i for i in distmax)
print distall/len(distmax)


p1 = np.float32([kp.pt for kp in mkp1])
p2 = np.float32([kp.pt for kp in mkp2])

comps =[]
res = []

kp_pairs = zip(mkp1, mkp2)

if len(p1) >= 4:
    H, status = cv2.findHomography(p1, p2, cv2.RANSAC, 5.0)
    comps = getComponents(H)
    print (comps)
    print('%d / %d  inliers/matched' % (np.sum(status), len(status)))
else:
    H, status = None, None
    print('%d matches found, not enough for homography estimation' % len(p1))

Answer 1

单应性质量的一种常见度量（假设两个图像中都存在误差）是重投影误差。当每个点对应的误差是高斯的时，则最小重投影误差等于最大似然估计。计算结果为follows，其中（x_i，x_i'）是对应关系，H是单应性，d是图像中的几何距离，表示在不均匀的图像点上。

findHomography内部已尝试优化重投影错误。如果找不到单应性（基于传递的最大重投影错误），则该函数应返回None。

如果结果明显错误，我会将ORB更改为AKAZE功能，并减少RANSAC方案中inlier分类的最大重投影误差。如果单应性是一个应该进一步优化的良好粗略估计，则可以使用单应性来通过使用单应性映射每个点并在本地邻域中找到最近的兴趣点来在所有兴趣点上找到更多匹配。之后你可以再次计算findHomography。

从匹配中获得注册的准确性

1 个答案: