hands0meX/cv_img_matcher

图片相似度匹配器.

OPENCV 匹配器

快速开始

conda环境

0. 安装conda
   https://docs.anaconda.com/free/miniconda/
1. conda环境安装

conda env create -f environment.yml & conda activate matcher

2. 在根目录的 static 文件夹创建文件夹foo,并将图片放入 foo 文件夹中

mkdir -p static/foo

3. 体验

• 提取图片特征

python fast_build.py

--debug 开启debug --force 强制覆盖数据集

• 对图片集匹配并寻找最匹配的图

python fast_match.py

--debug 开启debug
--show 显示匹配图

注意: 存储之后的数据集的特征检测模式必须和匹配时候设置的相同!

4. 检测耗时情况

python -m line_profiler fast_build.lprof
python -m line_profiler fast_match.lprof

本地环境

1. 安装pip包

pip install --no-cache-dir -r requirements.txt

2. 运行fast_build.py 或 fast_match.py 快速体验
3. 运行本地服务

python -m server.app

docker环境(flask服务)

0. 安装docker

桌面版：https://www.docker.com/products/docker-desktop

服务器版：https://docs.docker.com/engine/install/#server

1. 打镜像

docker build -t matcher_flask:v1 .

2. 运行容器

docker run --rm -d -p 5000:5000 matcher_flask:v1

网络层

内核 (匹配、特征提取)

特征检测方法对比:

-	时间(ms)	存储(M)	图片	测试次数
SIFT	1680 ~ 1770	12	4	10
ORB	172 ~ 179	8.5	4	10

特征匹配方法对比:

-	时间(ms)	图片	测试次数	精确度
BF	87 ~ 89	4	10	较FLANN好
FLANN	135 ~ 147	4	10	-

以上是在SIFT特征的KNN匹配情况， FLANN在其他情况未知错误待处理!

打包/上传

conda env export --no-builds > environment.yml
pip freeze > requirements.txt

TODO:

• 图片的特征提取并持久化存储与获取
• 增加server包
• docker容器化
• 本地服务部署, 图片集放OSS存储
• 功能 toB
• upload上传的图片使用buffer, imread读取buffer直接提取