之前几篇介绍特征匹配算法，除了FLANN单应性匹配的效率比较理想之外，其他的如ORB,Harris运算量都很大，在树莓派上难以实现，用轮廓匹配算法符合嵌入式平台的实际要求
以下是未移植的源码：
# 创建时间：2019年7月29日 # 轮廓匹配识别字母、常见简单轮廓等 import cv2 import numpy as np # 不同特征的形状匹配 # 输入参数：model_img:目标图像矩阵；train_frame:待检测的图像矩阵 # 输出参数：matching_value:匹配值，越小表示匹配度越高 # 输出参数:cX,cY图像中心点坐标;train_frame_after处理后得到的图像矩阵 def contours_matching(model_img,train_frame): # 默认图像重心为中心点坐标 cX = 320 cY = 120 # 转换成灰度图 model_img = cv2.cvtColor(model_img,cv2.COLOR_BGR2GRAY) train_frame = cv2.cvtColor(train_frame,cv2.COLOR_BGR2GRAY) # 高斯滤波降噪 model_img = cv2.GaussianBlur(model_img, (5,5), 0) train_frame = cv2.GaussianBlur(train_frame,(19,19),0) # 处理轮廓 ret, thresh = cv2.threshold(model_img, 127, 255,0) ret, thresh2 = cv2.threshold(train_frame, 127, 255,0) model_img_after, contours, hierarchy = cv2.findContours(thresh,2,1) cnt1 = contours[0] train_frame_after, contours, hierarchy = cv2.findContours(thresh2,2,1) cnt2 = contours[0] # 计算匹配度 matching_value = cv2.matchShapes(cnt1,cnt2,1,0.0) print('匹配度：', matching_value) # 匹配成功;匹配闸值为调整参数 if matching_value<=0.2: # 计算检测到目标物的重心坐标 M = cv2.moments(cnt2) cX = int(M["m10"] / (M["m00"] + 0.0001)) cY = int(M["m01"] / (M["m00"] + 0.0001)) return train_frame_after,matching_value, cX, cY # 导入图像 cap = cv2.VideoCapture('../video/alphabet_1.mp4') # 设置摄像头分辨率 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 240) while cap.isOpened(): ret, train_frame = cap.read() model_img = cv2.imread('../images/alphabets/O.jpg') train_frame_after, mathing_value, x, y = contours_matching(model_img,train_frame) if mathing_value<0.2: cv2.circle(train_frame_after, (x, y), 2, (0, 255, 0), 8) # 做出中心坐标 cv2.imshow('test',train_frame_after) # 按下esc键退出 key = cv2.waitKey(delay=2) if key == ord("q") or key == 27: break cap.release() cv2.destroyAllWindows()注：有些字母，如H，匹配的效果非常差
