Как узнать включает или нет изображение №1 объект с изображения №2 с помощью OpenCV? Встала срочная задача определить присутствует ли объект с изображения на другом изображении. Если другими словами, есть картинка с объектом, на этой картинке кроме объекта ничего нет. На другой картинке данный объект (может быть слегка модифицированный поворот\сжатие\изменение цвета) может присутствовать, а может и нет. И нужно ответить есть ли этот объект на картинке-сцене.
Был наслышан про OpenCV и вот решил его и использовать. Нашел пример SURF Homography. Что получил:
1) Если искомый объект без искажений есть на сцене, то количество «good_matches» невелико (5 ± 2);
max_dist = 0.51 min_dist = 0.03
2) Если искомый объект повернут на 90 градусов на сцене, то количество «good_matches» тож невелико (5 ± 2);
max_dist = 0.55 min_dist = 0.04
3) Если на сцене есть объект условно похожий на искомый, то количество «good_matches» уже больше (15 ± 5);
max_dist = 0.59 min_dist = 0.11
4) Нет объекта или похожего объекта на сцене, количество «good_matches» > 30.
max_dist = 0.79 min_dist = 0.4
Для нахождения max_dist и min_dist использовался FLANN.
Можно ли на основании только max_dist и min_dist делать выводы, какие пограничные их значения рассматривать?
Может есть другой способ определить присутствие объекта на изображении?
Прошу строго не судить, второй день за OpenCV.
Как узнать включает или нет изображение №1 объект с изображения №2 с помощью OpenCV? Встала срочная задача определить присутствует ли объект с изображения на другом изображении. Если другими словами, есть картинка с объектом, на этой картинке кроме объекта ничего нет. На другой картинке данный объект (может быть слегка модифицированный поворот\сжатие\изменение цвета) может присутствовать, а может и нет. И нужно ответить есть ли этот объект на картинке-сцене.
Был наслышан про OpenCV и вот решил его и использовать. Нашел пример SURF Homography. Что получил:
1) Если искомый объект без искажений есть на сцене, то количество «good_matches» невелико (5 ± 2);
max_dist = 0.51 min_dist = 0.03
2) Если искомый объект повернут на 90 градусов на сцене, то количество «good_matches» тож невелико (5 ± 2);
max_dist = 0.55 min_dist = 0.04
3) Если на сцене есть объект условно похожий на искомый, то количество «good_matches» уже больше (15 ± 5);
max_dist = 0.59 min_dist = 0.11
4) Нет объекта или похожего объекта на сцене, количество «good_matches» > 30.
max_dist = 0.79 min_dist = 0.4
Для нахождения max_dist и min_dist использовался FLANN.
Можно ли на основании только max_dist и min_dist делать выводы, какие пограничные их значения рассматривать?
Может есть другой способ определить присутствие объекта на изображении?
Прошу строго не судить, второй день за OpenCV.
Был наслышан про OpenCV и вот решил его и использовать. Нашел пример SURF Homography. Что получил:
1) Если искомый объект без искажений есть на сцене, то количество «good_matches» невелико (5 ± 2);
max_dist = 0.51 min_dist = 0.03
2) Если искомый объект повернут на 90 градусов на сцене, то количество «good_matches» тож невелико (5 ± 2);
max_dist = 0.55 min_dist = 0.04
3) Если на сцене есть объект условно похожий на искомый, то количество «good_matches» уже больше (15 ± 5);
max_dist = 0.59 min_dist = 0.11
4) Нет объекта или похожего объекта на сцене, количество «good_matches» > 30.
max_dist = 0.79 min_dist = 0.4
Для нахождения max_dist и min_dist использовался FLANN.
Можно ли на основании только max_dist и min_dist делать выводы, какие пограничные их значения рассматривать?
Может есть другой способ определить присутствие объекта на изображении?
Прошу строго не судить, второй день за OpenCV.
Не можешь разобраться в этой теме?
Обратись за помощью к экспертам
Гарантированные бесплатные доработки в течение 1 года
Быстрое выполнение от 2 часов
Проверка работы на плагиат
Поможем написать учебную работу
Для определения присутствия объекта на изображении можно использовать не только max_dist и min_dist, но и другие характеристики. Например, можно рассмотреть отношение количества «good_matches» к общему количеству найденных совпадений. Если это отношение превышает определенный порог, то можно сделать вывод о присутствии объекта на изображении.
Также можно использовать другие алгоритмы поиска и сопоставления объектов, такие как ORB, SIFT, SURF, FAST и другие. Можно попробовать их и сравнить результаты.
Если вам нужно определить присутствие объекта на картинке более надежно, можно использовать нейронные сети и обучить их на примерах объектов, чтобы они могли распознавать их на других изображениях.
В любом случае, важно провести дополнительные эксперименты и исследования, чтобы получить более точные и надежные результаты.