Opencv 从大型数据集中识别遮挡纹理面片
我手头的假设任务是能够从上面的一张几何未变形饮料罐图片中，给出其分类（例如饮料的品牌和名称）。不需要分段。分类功能的输入只是can任意侧面的一个视图。数据集应该很大，大约有2000种不同的饮料。这些罐子都是一样大小的。训练时，每个罐子旋转几百次，几乎可以包含任何角度Opencv 从大型数据集中识别遮挡纹理面片,opencv,computer-vision,classification,Opencv,Computer Vision,Classification,我手头的假设任务是能够从上面的一张几何未变形饮料罐图片中，给出其分类（例如饮料的品牌和名称）。不需要分段。分类功能的输入只是can任意侧面的一个视图。数据集应该很大，大约有2000种不同的饮料。这些罐子都是一样大小的。训练时，每个罐子旋转几百次，几乎可以包含任何角度 有什么好办法来解决这个问题吗？对我来说，这似乎是一个纹理识别问题，物体本身的形状是不相关的。分类也应该是快速的，所以模板匹配被排除在外。如果有人能为我指出正确的方向，那将是一个巨大的进步。我提出的任何想法似乎都不适合这项任务。本地特
有什么好办法来解决这个问题吗？对我来说，这似乎是一个纹理识别问题，物体本身的形状是不相关的。分类也应该是快速的，所以模板匹配被排除在外。如果有人能为我指出正确的方向，那将是一个巨大的进步。我提出的任何想法似乎都不适合这项任务。本地特征（筛选/冲浪）等？太笼统了。一个品牌可以在他们生产的不同饮料上有相同的标志。神经网络？罐子在不同的侧面看起来可能会很不一样，如果它们都映射到同一个标签上，这将扰乱训练。一大堆话？用于训练SVM的HOGs/颜色直方图等？有些完全不同的东西我不知道，但我可能不知道？一个好方法是对罐头的形状建模，这样你就可以将罐头中的纹理和标签映射到一个平面矩形。由此，您可以使用低分辨率版本或基于高斯金字塔的模板匹配进行模板匹配，以实现快速匹配
第二种选择是提取“平面化”图像的SIFT或SURF关键点，并尝试在训练集中找到相应的点。虽然相同的徽标或文字可能出现在几个不同的罐上，但您可以使用关键点的位置来区分罐。与您的问题相关：