对图片实时识别分类

我们首先建立一个文件夹，在里面放入任意图片，就可以通过程序创建这些图片的特征库，然后使用摄像头实时识别和文件内相似的物体 不需要很多图片进行的机器训练，供初学者参考

例子 我首先建立一个文件夹，名字为  ImagesQuery，里面的图片如下图，图片任意 名字任意

然后创建我们的主程序：

import cv2
import numpy as np
import os
from PIL import Image, ImageDraw, ImageFont
import time

orb=cv2.ORB_create(nfeatures=1000)

def imread2(imagePathName):  # 读取中文路径图片
    retImg = cv2.imdecode(np.fromfile(imagePathName, dtype=np.uint8), -1)
    return retImg
def putText2(img,text,pos,size=36,color=(255,0,0)):

    img_pil = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    font = ImageFont.truetype(font=r'simsun.ttc', size=size)
    draw = ImageDraw.Draw(img_pil)
    draw.text(pos, text, font=font, fill=color)  # PIL中RGB=(255,0,0)表示红色
    img_cv = np.array(img_pil)                         # PIL图片转换为numpy
    img = cv2.cvtColor(img_cv, cv2.COLOR_RGB2BGR)      # PIL格式转换为OpenCV的BGR格式
    return img
#处理查找图片部分  创建使用该目录下的图片创建特征点 并用其名字作为分类
pathQuery="ImagesQuery"
imagesQuery=[]
classNamesQuery=[]
myList=os.listdir(pathQuery)
# print(myList)
# print("总共的分类数量：",len(myList))
for className in myList:
    imgCurrent=imread2(f'{pathQuery}/{className}')
    imgCurrent=cv2.cvtColor(imgCurrent,cv2.COLOR_BGR2GRAY)
    imagesQuery.append(imgCurrent)
    # print(className)
    #提取文件名字部分 不包括扩展名
    classNamesQuery.append(os.path.splitext(className)[0])
print(classNamesQuery)

#创建图片的描述符，传入需要创建描述符的图片名字列表
def findDescriptor(images):
    #将所有模板图片的特征点及描述符计算出来，将描述符保存在一个列表中，作为以后的对比库
    descriptorList=[]
    for img in images:
        keyPoint,descriptor=orb.detectAndCompute(img,None)
        descriptorList.append(descriptor)
    return descriptorList

def findID(img,descriptorList,thres=50):
    #计算将要查找的图片(img)的特征点及描述符descriptor2
    keyPoints2,descriptorToFind=orb.detectAndCompute(img,None)
    #创建比较器
    bf=cv2.BFMatcher()
    #保存和查找图片的描述符与库中描述符匹配的结果  是符合的特征点数量
    matchList=[]
    finalValue=-1

    #将查找的图片的描述符与已有的描述符库比较 找出匹配度高的描述符 并把匹配的描述符前面的特征点数量存入匹配列表中
    try:
        for descriptorInLibrary in descriptorList:
            matches = bf.knnMatch(descriptorInLibrary, descriptorToFind, k=2)
            goodMatchPoints = []
            #遍历比较orb创建器中预设1000个特征点
            for queryMatch,templateMatch in matches:
                #距离误差度小于0.75的点保存起来 属于比较符合要求的点
                if queryMatch.distance < 0.75 * templateMatch.distance:
                    goodMatchPoints.append([queryMatch])
            #索引就是查找库中对应图片的位置
            matchList.append(len(goodMatchPoints))
    except:
      pass
    # print(matchList)
    #找出匹配点最高的特征描述符
    if len(matchList)!=0:
        #如果比较处的特征点数量超过预设数量，则属于符合要求的描述符
        if max(matchList) > thres:
            finalValue=matchList.index(max(matchList))
    return finalValue

#获取图片特征描述  获取所有图片的特征点 保存在一个列表中
descriptorsList=findDescriptor(imagesQuery)
# print(len(descriptorsList))

cap=cv2.VideoCapture(0)
pTime=0
while True:
    success,img2=cap.read()
    imgOriginal=img2.copy()
    img2=cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)

    ids=findID(img2,descriptorsList)
    if ids!=-1:
        # cv2.putText(imgOriginal,classNamesQuery[ids],(50,50),cv2.FONT_HERSHEY_SIMPLEX,1,(0,0,255),5)
        imgOriginal=putText2(imgOriginal,classNamesQuery[ids],(50,50),25,(0,255,0))
    cTime=time.time()
    fps=1/(cTime-pTime)
    pTime=cTime
    cv2.putText(imgOriginal, f"{int(fps)}", (20, 20), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 3)
    cv2.imshow("img",imgOriginal)

    cv2.waitKey(1)

运行识别效果如下