背景
在实际项目中，利用深度学习在检测道路车辆并分析车辆行为时，需要按照事先规定的方法绘制检测区（包含道路方向、车道区域等）。由于各种原因（人为、天气），获取视频数据的摄像角度容易偏移原来设定的位置，造成检测区域和实际画面不匹配，系统容易产生误检误报等错误数据。因此需要在摄像机位置偏移第一时间告诉系统检测模块停止工作，直到摄像机归位后再进行检测。摄像机角度偏移告警属于‘视频诊断’中的一类，本文利用提取图片特征点实现摄像机偏移告警，demo全部python代码不足200行。
图像特征点
对于任何一张二维图片，从像素级别上看，都存在一些我们肉眼看不到的比较独特的像素单元（可以理解为像素块），就像我们每个人的脸都会与众不同一样，我们称这些具有特点的像素区域为“图像特征点”。已经有非常成熟的算法来提取图片的特征点：
（1）Harris：用于检测角点；
（2）SIFT：用于检测斑点；
（3）SURF：用于检测斑点；
（4）FAST：用于检测角点；
（5）BRIEF：用于检测斑点；
（6）ORB：表示带方向的FAST算法与具有旋转不变性的BRIEF算法；
详细算法原理上网搜一下（我也不是很清楚:)），OpenCV中包含以上几种算法实现。
角点：
图像中涉及到拐角的区域，比如物体有轮廓，图像中的物体有边缘区分。
斑点：
一块有特别规律的像素区域。
方向、尺寸不变性：
指特征点不会受图片尺寸、旋转而改变，比如同一张图，你缩小一倍旋转90度后，特征点还是一样的。
图像匹配
提取两张图片的特征点，然后将这些特征点进行匹配关联。如果匹配程度满足某一阈值，则认为这两张图满足匹配条件。注意，对于同一个物体，拍摄角度不同，亮度不同都应该满足匹配条件。
可以看到，对于同一个场景的不同拍摄角度的两张图片，能找到匹配到的特征点，但是误差非常大。我们设置一个阈值，满足该条件才认为两个点匹配：
误差少很多了，匹配到的特征点也非常正确。
换一组摄像机的照片，前一张和后一张在拍摄时，摄像机角度往左下角有偏移，所以对应匹配到的特征点往右上方移动了：
我们可以看到，虽然拍摄角度不同，但是由于场景类似，仍然能匹配到特征点（为了减少绘图方便看清楚，阈值设置非常严格，如果放宽一点还能看到更多匹配到的点），而且这些匹配到的点几乎都正确。对于两张完全不同的场景照片，匹配到的特征点非常少或者为零（具体看设置的阈值）
场景不同，匹配到的特征点只有视频上的文字。
角度偏移告警
如果摄像机位置不变，前后拍摄两张照片，那么这两张照片匹配到的特征点的二维物理坐标应该是一样的（可能有轻微偏移，两张照片尺寸一致）。那么我们可以根据摄像机前后两帧（或间隔时间内取得的两帧）的匹配点物理位置是否有偏移，设置一个偏移阈值，大于该阈值时则认为偏移，否则认为没偏移（或轻微偏移），当然，如果两帧匹配到的特征点非常少（低于一个阈值），那么我们认为这俩帧完全不一样了（场景不一样了），这时候摄像机完全偏移了原来的角度。
注意点：
1）阈值非常重要；
2）前后帧匹配时，要去掉类似摄像机自动加上去的“视频位置”、“当前时间”等等区域，因为这些区域很多时候能够匹配到特征点，并且物理位置坐标不会发生变化，造成误差；
3）在计算特征点物理位置偏移量时，取所有特征点物理位置偏移的平均值。
最终效果
间隔时间取视频中的帧，进行特征点对比。根据前面的思路分为4个等级：“无偏移”、“轻度偏移（抖动）”、“严重偏移”、“完全偏移”。
源代码
最重要的是代码，很简单，直接贴上来即可。加起来不到160行。测试很多场景，效果都不错。
测试
作者：周见智
网友评论