如何自动提取两张图像中用于homography计算的关键点？

解决方案 #

方案1：通用特征点自动匹配（无需场景定制） #

这个方案适合任意同场景的两张图像配准，不需要针对足球场做特殊处理，直接用OpenCV内置的ORB特征检测器就能实现，ORB无专利限制可免费商用，实现逻辑如下：

1. 分别对两张输入图像做灰度化处理
2. 初始化ORB检测器，提取两张图像的特征点和对应的描述子
3. 使用匹配器对两组描述子做匹配，过滤得分低的误匹配结果
4. 剩余的有效匹配点直接传入cv2.findHomography，配合RANSAC算法就能自动算出准确的单应性矩阵

对应代码可以直接替换你原来手动标定点的部分：

import cv2
import numpy as np

if __name__ == '__main__':
    im_dst = cv2.imread('c:/36.jpg')
    im_src = cv2.imread('c:/pitch.jpg')
    # 灰度化处理
    gray_src = cv2.cvtColor(im_src, cv2.COLOR_BGR2GRAY)
    gray_dst = cv2.cvtColor(im_dst, cv2.COLOR_BGR2GRAY)
    
    # 初始化ORB特征检测器
    orb = cv2.ORB_create(500)
    kp1, des1 = orb.detectAndCompute(gray_src, None)
    kp2, des2 = orb.detectAndCompute(gray_dst, None)
    
    # 暴力匹配描述子
    bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
    matches = bf.match(des1, des2)
    # 按匹配得分排序，取前100个最优匹配结果
    matches = sorted(matches, key = lambda x:x.distance)[:100]
    
    # 提取匹配的点坐标
    pts_src = np.float32([ kp1[m.queryIdx].pt for m in matches ]).reshape(-1,1,2)
    pts_dst = np.float32([ kp2[m.trainIdx].pt for m in matches ]).reshape(-1,1,2)
    
    # 用RANSAC计算单应性矩阵，自动过滤误匹配
    h, status = cv2.findHomography(pts_src, pts_dst, cv2.RANSAC, 5.0)
    
    # 后续透视变换逻辑和原有代码一致
    im_out = cv2.warpPerspective(im_src, h, (im_dst.shape[1],im_dst.shape[0]), borderValue=[255,255,255])
    mask = im_out[:,:,0] < 100

    im_out_overlapped = im_dst.copy()
    im_out_overlapped[mask] = [0,0,255]
    cv2.imshow("Warped", im_out_overlapped)
    cv2.waitKey(0)

方案2：足球场场景定制检测（准确率更高） #

如果你的使用场景固定为足球场地配准，可以用定制化逻辑得到更稳定的结果：

• 先做颜色分割，分离绿色草坪和白色场地线，得到白线的二值掩码
• 用霍夫直线检测提取所有场地白线，计算直线的交点
• 按照国际足联规定的禁区固定长宽比例，从所有交点中筛选出对应禁区四个角的点，自动得到两组对应坐标

如果你的输入都是固定的转播视角，还可以提前离线标定好模板图（也就是你的pitch.jpg）的禁区坐标，每次运行只需要检测目标图的禁区坐标即可，运行效率更高。

内容的提问来源于stack exchange，提问作者payam