如何用OpenCV2实现图像中旋转缩放目标的精准计数？

一、改进模板匹配：多尺度+旋转遍历 #

既然你倾向模板匹配，可通过多尺度模板生成和旋转角度遍历适配尺寸与旋转变化，具体步骤：

• 生成不同缩放比例的模板：比如从0.8到1.2，步长0.1，创建多尺寸模板副本
• 对每个缩放后的模板，生成覆盖目标旋转范围的旋转版本：比如你的场景里是90度间隔，可生成0、90、180、270度的模板
• 用cv2.matchTemplate对每个旋转+缩放后的模板做匹配，选cv2.TM_CCOEFF_NORMED方法，设置0.8左右的阈值过滤低匹配度结果
• 用非极大值抑制（NMS）去除重叠匹配框，避免重复计数

示例代码片段：

import cv2
import numpy as np

def rotate_image(image, angle):
    (h, w) = image.shape[:2]
    center = (w // 2, h // 2)
    M = cv2.getRotationMatrix2D(center, angle, 1.0)
    rotated = cv2.warpAffine(image, M, (w, h), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE)
    return rotated

# 读取原图与模板（替换为你的本地文件路径）
img = cv2.imread('large_image.jpg', 0)
template = cv2.imread('template.jpg', 0)
h, w = template.shape

# 定义缩放范围与旋转角度
scales = np.linspace(0.8, 1.2, 5)
angles = [0, 90, 180, 270]

matches = []
for scale in scales:
    # 缩放模板
    scaled_template = cv2.resize(template, (int(w*scale), int(h*scale)), interpolation=cv2.INTER_CUBIC)
    sh, sw = scaled_template.shape
    for angle in angles:
        # 旋转模板
        rotated_template = rotate_image(scaled_template, angle)
        # 模板匹配
        result = cv2.matchTemplate(img, rotated_template, cv2.TM_CCOEFF_NORMED)
        # 提取高匹配度的点
        loc = np.where(result >= 0.8)
        for pt in zip(*loc[::-1]):
            matches.append((pt[0], pt[1], pt[0]+sw, pt[1]+sh, result[pt[1], pt[0]]))

# 非极大值抑制去重
def non_max_suppression(boxes, overlapThresh):
    if len(boxes) == 0:
        return []
    boxes = np.array(boxes)
    x1 = boxes[:,0]
    y1 = boxes[:,1]
    x2 = boxes[:,2]
    y2 = boxes[:,3]
    scores = boxes[:,4]
    indices = np.argsort(scores)[::-1]
    keep = []
    while len(indices) > 0:
        i = indices[0]
        keep.append(i)
        xx1 = np.maximum(x1[i], x1[indices[1:]])
        yy1 = np.maximum(y1[i], y1[indices[1:]])
        xx2 = np.minimum(x2[i], x2[indices[1:]])
        yy2 = np.minimum(y2[i], y2[indices[1:]])
        w = np.maximum(0, xx2 - xx1 + 1)
        h = np.maximum(0, yy2 - yy1 + 1)
        overlap = (w * h) / ((x2[i] - x1[i] + 1) * (y2[i] - y1[i] + 1))
        indices = indices[np.where(overlap <= overlapThresh)[0]+1]
    return boxes[keep]

final_matches = non_max_suppression(matches, 0.3)
print(f"检测到标记物数量：{len(final_matches)}")

二、优化特征匹配：过滤无效局部匹配 #

特征匹配出现局部匹配计数过多，可通过以下约束优化：

• 用FLANN匹配器替代暴力匹配，提升匹配精度与速度
• 设置匹配点距离阈值：只保留距离小于0.7倍最小距离的匹配对
• 用**单应性变换（Homography）**验证匹配：通过cv2.findHomography计算变换矩阵，过滤不符合的匹配点，仅当足够多匹配点满足单应性时，判定为有效目标
• 搭配NMS去除重复检测结果

三、形状特征检测：基于Hu矩的轮廓匹配 #

你的标记物有独特形状，可尝试鲁棒性更强的轮廓检测方案：

1. 对大图做边缘检测（cv2.Canny）
2. 提取轮廓（cv2.findContours）
3. 计算每个轮廓的Hu矩（cv2.HuMoments），Hu矩对旋转、缩放、平移完全不变
4. 对比模板轮廓与大图中各轮廓的Hu矩，设置阈值筛选匹配的轮廓，直接计数有效轮廓数量

内容的提问来源于stack exchange，提问作者Marko Stojić