OpenCV根据图像集检测图像

Question

我想知道如何使用OpenCV在我的摄像机上检测图像。该图像可以是500个图像中的一个。

我此刻正在做的事：

- (void)viewDidLoad
{
    [super viewDidLoad];
    // Do any additional setup after loading the view.
    self.videoCamera = [[CvVideoCamera alloc] initWithParentView:imageView];
    self.videoCamera.delegate = self;
    self.videoCamera.defaultAVCaptureDevicePosition = AVCaptureDevicePositionBack;
    self.videoCamera.defaultAVCaptureSessionPreset = AVCaptureSessionPresetHigh;
    self.videoCamera.defaultAVCaptureVideoOrientation = AVCaptureVideoOrientationPortrait;
    self.videoCamera.defaultFPS = 30;
    self.videoCamera.grayscaleMode = NO;
}

-(void)viewDidAppear:(BOOL)animated{
    [super viewDidAppear:animated];
    [self.videoCamera start];
}

#pragma mark - Protocol CvVideoCameraDelegate

#ifdef __cplusplus
- (void)processImage:(cv::Mat&)image;
{
    // Do some OpenCV stuff with the image
    cv::Mat image_copy;
    cvtColor(image, image_copy, CV_BGRA2BGR);

    // invert image
    //bitwise_not(image_copy, image_copy);
    //cvtColor(image_copy, image, CV_BGR2BGRA);
}
#endif

我想要检测的图像是2-5KB小的。很少有人在上面发短信，但其他的只是一些迹象。这里有一个例子：

你们知道我怎么做吗？

Answer 1

这里有几样东西。我会把你的问题分解并指出一些可能的解决办法。

>

分类：您的主要任务是确定某个图像是否属于某个类。这个问题本身可以分解为几个问题：

>

特征表示您需要决定如何为特征建模，即如何在特征空间中表示每个图像，以便训练分类器来分离这些类。特征表示本身已经是一个很大的设计决策。可以(i)使用n个bin计算图像的直方图并训练分类器，或者(ii)可以选择一系列随机贴片比较，例如在随机森林中。但是，在训练之后，您需要评估您的算法的性能，看看您的决策有多好。

有一个已知的问题叫做过拟合，这是当你学习太好，你不能概括你的分类器。这通常可以通过交叉验证来避免。如果你对假阳性或假阴性的概念还不熟悉，就来看看这篇文章吧。

一旦你定义了你的特征空间，你需要选择一个算法来训练数据，这可能是你最大的决定。每天都有几个算法出来。举几个经典的例子：朴素贝叶斯、支持向量机、随机森林，最近，社区利用深度学习取得了很大的成果。其中每一个都有自己的特定用法（例如SVM对于二进制分类非常有用），您需要熟悉这个问题。你可以从简单的假设开始，比如随机变量之间的独立性，训练一个朴素的贝叶斯分类器来尝试分离你的图像。

补丁：现在您提到您想要识别您的网络摄像头上的图像。如果您要打印图像并在视频中显示，您需要处理几件事情。有必要在您的大图像（从网络摄像机输入）上定义补丁，其中您为每个补丁构建一个特征表示，并按照您在上一步中所做的相同方式进行分类。为此，您可以滑动一个窗口，对所有的补丁进行分类，看看它们是属于负类还是属于正类。还有其他的选择。

比例尺：考虑到您能够检测图像在大图像中的位置并对其进行分类，下一步是放松fixes比例尺的玩具假设。要处理多尺度方法，您可以使用图像金字塔，这几乎允许您在多分辨率下执行检测。替代方法可以考虑关键点探测器，如SIFT和SURF。在SIFT内部，有一个图像金字塔，允许不变性。

投影到目前为止，我们假设你有正投影下的图像，但很可能你会有轻微的透视投影，这会使之前的全部假设失败。一个简单的解决方案是，例如，检测图像的白色背景的角点，并在构建用于分类的特征向量之前对图像进行校正。如果您使用了SIFT或SURF，那么您可以设计一种方法来避免显式地处理这种情况。然而，如果你的输入只是方块补丁，比如在ARToolkit中，我会手动修正。

我希望我能让你更清楚地了解你的问题。