有效地使用不同尺寸的模板匹配

Question

是否有更有效的方法将模板匹配与不同大小的图像一起使用？ 这是我目前的剧本：

import cv2
import numpy as np

img_bgr = cv2.imread('./full.jpg')
img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)

template = cv2.imread('./template.jpg', 0)

w, h = template.shape[::-1]

res = cv2.matchTemplate(img_gray, template, 
cv2.TM_CCOEFF_NORMED)
threshold = 0.8
loc = np.where(res >= threshold)

for pt in zip(*loc[::-1]):
  cv2.rectangle(img_bgr, pt, (pt[0]+w, pt[1]+h), (0,255,255), 2)

cv2.imshow('detected', img_bgr)
cv2.waitKey(0)
cv2.destroyAllWindows()

这是我的模板： Template

我有这些图像，第一个有效，第二个没有，因为尺寸：

Works!

Fails

首先想到的是，由于模板大小与图像相比，我认为它失败了

所以我尝试使用本教程：Multi Scale Matching

但这似乎真的很慢而且笨重，特别是因为当我开始工作时我打算在视频中使用它。有没有更好的方法来处理这个

另外，最后我还想查看图片的右上角，我知道这是一个完全不同的问题，但如果你有任何想法，因为我们正在谈论缩放：）

Answer 1

对于不同大小，请使用多尺度模板匹配

Answer 2

最简单的方法是使用特征匹配而不是模板匹配。特征匹配正是针对此类应用程序的。它还可以检测图像是否旋转..等

锁定这个 https://docs.opencv.org/master/dc/dc3/tutorial_py_matcher.html

Answer 3

你要找的东西没那么简单。需要的是 multi-scale template matching，但正如您提到的，它会很慢，尤其是当图像分辨率很高时。

对于这种情况，最好和最简单的解决方案是训练一个卷积神经网络，一个小的。利用迁移学习并在您的数据上训练 SSD mobilenet，您将拥有一个可以很好地为您执行此检测的网络，相信我，它会非常快。对象检测将在此处为您提供最快、更好、更准确的解决方案。

这是一篇解释如何训练视频中的对象检测的文章的 link。