機器學習實戰 | 簡單標的識別與意圖分析之模板匹配

（點選上方快速關註並設定為星標，一起學Python）

 

一天，我正在學校樓下擼貓，同學發來訊息，他的老師給了他一個研究課題，大致的方向是對圖片或者影片裡面的內容進行識別，然後判斷意圖，而且舉了個例子，兩方交鋒，現在根據無人機拍攝或者衛星影象，針對對方坦克集團的陣型來分析對方坦克的作戰意圖。但他對課題實現一臉懵逼，所以過來求救，我一聽，真的好高大上啊！為發揚同學間團結有愛、互幫互助的精神，我就幫忙研究研究吧（每天一瓶飲料，做錯了別怪我。。。。）

 

這樣講文章思路不清晰，我先畫個流程圖來描述一下我的工作，避免大家繞來繞去的看的發懵：

初步標的識別

 

同學說老師要他先實現這個標的識別，我腦子裡第一時間想到了Python3裡面處理圖片的超強第三方庫OpenCV，裡面的模板匹配有好多演演算法可以用呢，比如平方差匹配、相關性匹配、相關性繫數匹配還有匹配效果最好的標準相關匹配等等，然後模型的話最近正好在研究Unity寫遊戲，那就拿裡面的坦克模型來測試，先來張截圖測試下，一言不合上程式碼：

 

tpl =cv.imread(r"D://PythonPicTemplate/pythinPIC/tankTemplate2.jpg")
target = cv.imread("D://PythonPicTemplate/pythinPIC/tanks2.jpg")
cv.namedWindow('template image', cv.WINDOW_NORMAL)
cv.imshow("template image", tpl)
cv.namedWindow('target image', cv.WINDOW_NORMAL)
cv.imshow("target image", target)
#methods = [cv.TM_CCOEFF, cv.TM_CCOEFF_NORMED, cv.TM_CCORR,cv.TM_CCORR_NORMED, cv.TM_SQDIFF, cv.TM_SQDIFF_NORMED]
methods =[cv.TM_CCORR_NORMED ,cv.TM_CCORR_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCORR_NORMED, cv.TM_CCORR_NORMED]
'''''''
差值平方和匹配 CV_TM_SQDIFF
標準化差值平方和匹配 CV_TM_SQDIFF_NORMED
相關匹配 CV_TM_CCORR
標準相關匹配 CV_TM_CCORR_NORMED
相關匹配 CV_TM_CCOEFF
標準相關匹配 CV_TM_CCOEFF_NORMED
'''

th, tw = tpl.shape[:2]
i =0   
tl = []
br = []
for md in methods:
    #print(md)
    result = cv.matchTemplate(target, tpl, md)
    min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)
    if md == cv.TM_SQDIFF_NORMED:
        tl.append(min_loc)
    else:
        tl.append(max_loc)
    br.append((tl[i][0]+tw, tl[i][1]+th))
    cv.rectangle(target, tl[i], br[i], (0, 0, 255), 2)
    i += 1   
    cv.namedWindow("match-" + np.str(md), cv.WINDOW_NORMAL)
    cv.imshow("match-" + np.str(md), target)

模板匹配的大致原理

模板匹配實現的思想也是很簡單很暴力的，就是拿著模板圖片在原圖中從左上至右下依次滑動，直到遇到某個區域的相似度低於我們設定的閾值，那麼我們就認為該區域與模板匹配了，並把它標記出來。但實驗證明，模板配在原圖摳出模板圖的形式下準確率才比較高，不然的話可能準確度就不太高了。

綜上所述，模板匹配的優點在於在模板的基礎上能匹配的方便快速，但缺點實在是太多了，例如，

 

1.模板的大小會影響匹配的精度；

2.幹擾現象嚴重，坦克藏在樹林裡很影響識別效果；

3.在實際運用中，模板的方向都必須要固定才能匹配成功；

 

4.以上都還好說，最重要的是我都知道模板了，那我還寫程式碼在圖片裡識別個毛啊，對於這個課題直接圈出來不就行了。

 

所以我還是太天真了，模板匹配的優點要用，但標的識別的方法必須要改進一下，不然看著都傻，同學老師估計也會爆發。下一節我們繼續研究具體的改進方法。

 

程式碼已上傳至GitHub，歡迎star，歡迎討論：

GitHub：https://github.com/wangwei39120157028/Machine_Learning_research_on_simple_target_recognition_and_intention_analysis