OpenCV多模板匹配讲解与匹配汽车实战(附Python源码)

简介: OpenCV多模板匹配讲解与匹配汽车实战(附Python源码)

需要源码和图片请点赞关注收藏后评论区留言私信~~~

一、多模板匹配

匹配过程中同时查找多个模板的操作叫做多模板匹配,多模板匹配实际上就是进行了n次单模板多目标匹配操作,n的数量为模板总数

实战1:同时匹配三个不同的模板

每一个模板都要做一次单模板多目标匹配,最后把所有模板的匹配结果汇总到一起,单模板多目标匹配的过程可以封装成一个方法,方法参数为模板和原始图像,方法内部将计算结果再加工以下,直接返回所有红框左上角和右下角两点横纵坐标的列表,在方法之外,将所有模板计算得出的坐标汇总到一个列表中,按照这些汇总的坐标一次性将所有红框都绘制出来 效果如下

其中模板就是里面的三个图像

部分代码如下

import cv2
def myMatchTemplate(img, templ):  # 自定义方法:获取模板匹配成功后所有红框位置的坐标
    width height, c = templ.hape  # 获取模板图像的宽度、高度和通道数
    results = cv2.matchTemplate(img, templ, cv2.TM_CCOEFF_NORMED)  # 按照标准相关系数匹配
    loc = list()  # 红框的列表
    for i in range(len(results)):  # 遍历结果数组的行            if results[i][j 0.99:  # 如果相关系数大于0.99则认为匹配成功
                # 在列表中添加匹配 j + width, i + height))
    return lo
img = cv2.imread("background2.jpg")  # 读取原始图像
templs = list()  # 模板列templs.append(cv2.imread("template.png"))  # 添加模板1
templs.append(cv2.imr=d("tempe2.=png"))  # 添加模板2
templs.append(cv2.imr=ead("template3.png"))  # 添加模板3
=
loc = list()  # 所有模板匹配成功位置的红框坐标列表
for t in templs:  # 遍历所有模板
    loc += myMatchTemplate(img, t)  # 记录该模板匹配得出的
for i in loc:  # 遍历所红框的坐标
    cv2.rectanglimg, (i[0], i[1]), (i[2], i[3]), (0, 0, 255), 2)  # 在图片中绘制红框
cv2.imshow("img", img)  # 显示匹配的结果
cv2.waitKey()  # 按下任何键盘按键后
cv2.destroyAllWindows()  # 释放所有窗体

使用多模板匹配能够解决很多生活中的实际问题,例如一个收费停车场有四个车位,车位上陆续地停放了四辆车,通过多模板匹配,能够知晓这四辆车分别停在了哪个车位上,接下来模拟这一生活场景

实战2:使用多模板匹配让控制台判断四辆车分别停在了哪个车位上

模板图如下

其中车的顺序是橙色-蓝色-红色-绿色

输出结果如下

可见正确的判断了不同车处于哪个停车位上

部分代码如下

import cv2
image = cv2.imread("image.png")  # 读取原始图像
templs = []  # 模板列表
templs.append(cv2.imread("car1.png"))  # 添加模板图像1
templs.append(cv2.("car2.png"))  # 添加模板图像2
templs.aend(cv2.imread("car3.png"))  # 添加模板图像3
templs.append(cv2.imread("car4.png"))  # 添加模板图像3
for car in tems:  # 遍历所有模板图像
    # 按照标准相关系数匹配
    results = cv2.matchTemplate(image, car, cv2.TM_CCOEFF_NORMED)
    for i in range(len(results)):  # 遍历结果数组的行
        for j in range(n(results[i])):  # 遍历结果数组的列
            # print(results[i][j])
            if results[i]] > 0.99:  # 如果相关系数大于0.99则认为匹配成功
                if 0 < j  140:
                    print("车位编号:", 1)
                elif j <= 330:
                    print("车位编号:", 2)
                elif j <= 500:
                    print("车位编号:", 3)
                else:
                    print("车位编号:", 4)
                break

总结

模板匹配包括单模板匹配和多模板匹配,单模板匹配又包括单目标匹配和多目标匹配。实现这些内容的基础方法就是模板匹配方法,即matchTemplate()方法。其中,读者朋友重点掌握模板匹配方法的6个参数值。此外,为了实现单目标匹配,除了需要使用模板匹配方法matchTemplate()外,还要使用minMaxLoc()方法,这个方法返回的就是单目标匹配的最优结果。对于多目标匹配,读者朋友要将它和多模板匹配区分开:多目标匹配只有一个模板,而多模板匹配则有多个模板

创作不易 觉得有帮助请点赞关注收藏~~~

相关文章
|
4月前
|
SQL 关系型数据库 数据库
Python SQLAlchemy模块:从入门到实战的数据库操作指南
免费提供Python+PyCharm编程环境,结合SQLAlchemy ORM框架详解数据库开发。涵盖连接配置、模型定义、CRUD操作、事务控制及Alembic迁移工具,以电商订单系统为例,深入讲解高并发场景下的性能优化与最佳实践,助你高效构建数据驱动应用。
582 7
|
4月前
|
数据采集 Web App开发 数据安全/隐私保护
实战:Python爬虫如何模拟登录与维持会话状态
实战:Python爬虫如何模拟登录与维持会话状态
|
4月前
|
存储 分布式计算 测试技术
Python学习之旅:从基础到实战第三章
总体来说,第三章是Python学习路程中的一个重要里程碑,它不仅加深了对基础概念的理解,还引入了更多高级特性,为后续的深入学习和实际应用打下坚实的基础。通过这一章的学习,读者应该能够更好地理解Python编程的核心概念,并准备好应对更复杂的编程挑战。
166 12
|
4月前
|
存储 数据采集 监控
Python文件操作全攻略:从基础到高级实战
本文系统讲解Python文件操作核心技巧,涵盖基础读写、指针控制、异常处理及大文件分块处理等实战场景。结合日志分析、CSV清洗等案例,助你高效掌握文本与二进制文件处理,提升程序健壮性与开发效率。(238字)
458 1
|
4月前
|
存储 Java 调度
Python定时任务实战:APScheduler从入门到精通
APScheduler是Python强大的定时任务框架,通过触发器、执行器、任务存储和调度器四大组件,灵活实现各类周期性任务。支持内存、数据库、Redis等持久化存储,适用于Web集成、数据抓取、邮件发送等场景,解决传统sleep循环的诸多缺陷,助力构建稳定可靠的自动化系统。(238字)
866 1
|
4月前
|
Java 调度 数据库
Python threading模块:多线程编程的实战指南
本文深入讲解Python多线程编程,涵盖threading模块的核心用法:线程创建、生命周期、同步机制(锁、信号量、条件变量)、线程通信(队列)、守护线程与线程池应用。结合实战案例,如多线程下载器,帮助开发者提升程序并发性能,适用于I/O密集型任务处理。
454 0
|
4月前
|
机器学习/深度学习 监控 数据挖掘
Python 高效清理 Excel 空白行列:从原理到实战
本文介绍如何使用Python的openpyxl库自动清理Excel中的空白行列。通过代码实现高效识别并删除无数据的行与列,解决文件臃肿、读取错误等问题,提升数据处理效率与准确性,适用于各类批量Excel清理任务。
522 0
|
计算机视觉
Opencv学习笔记(三):图像二值化函数cv2.threshold函数详解
这篇文章详细介绍了OpenCV库中的图像二值化函数`cv2.threshold`,包括二值化的概念、常见的阈值类型、函数的参数说明以及通过代码实例展示了如何应用该函数进行图像二值化处理,并展示了运行结果。
4079 0
Opencv学习笔记(三):图像二值化函数cv2.threshold函数详解
|
算法 计算机视觉
opencv图像形态学
图像形态学是一种基于数学形态学的图像处理技术,它主要用于分析和修改图像的形状和结构。
310 4

推荐镜像

更多