Question

欢迎阅读 Python OpenCV 特征匹配教程。 特征匹配将是稍微更令人印象深刻的模板匹配版本，其中需要一个完美的，或非常接近完美的匹配。

我们从我们希望找到的图像开始，然后我们可以在另一幅图像中搜索这个图像。 这里的完美是图像不需要相同的光照，角度，旋转等。 特征只需要匹配。

首先，我们需要一些示例图像。 我们的“模板”，或者我们将要尝试匹配的图像：

之后是我们用于搜索这个模板的图像：

在这里，我们的模板图像在模板中，比在我们要搜索的图像中要小一些。 它的旋转也不同，阴影也有些不同。

现在我们将使用一种“爆破”匹配的形式。 我们将在这两个图像中找到所有特征。 然后我们匹配这些特征。 然后，我们可以绘制我们想要的，尽可能多的匹配。 但是要小心。 如果你绘制 500 个匹配，你会有很多误报。 所以只绘制绘制前几个。

import numpy as np
import cv2
import matplotlib.pyplot as plt

img1 = cv2.imread('opencv-feature-matching-template.jpg',0)
img2 = cv2.imread('opencv-feature-matching-image.jpg',0)

到目前为止，我们已经导入了要使用的模块，并定义了我们的两个图像，即模板（img1）和用于搜索模板的图像（img2）。

orb = cv2.ORB_create()

这是我们打算用于特征的检测器。

kp1, des1 = orb.detectAndCompute(img1,None)
kp2, des2 = orb.detectAndCompute(img2,None)

在这里，我们使用orb探测器找到关键点和他们的描述符。

bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

这就是我们的BFMatcher对象。

matches = bf.match(des1,des2)
matches = sorted(matches, key = lambda x:x.distance)

这里我们创建描述符的匹配，然后根据它们的距离对它们排序。

img3 = cv2.drawMatches(img1,kp1,img2,kp2,matches[:10],None, flags=2)
plt.imshow(img3)
plt.show()

这里我们绘制了前 10 个匹配。输出：