idrua

А первая картинка это что?

А пользоваться этим как? Есть примеры? Ну и касательно сетей. Обучить на Python, а потом подсовывать в OpenCV (или как-то форматировать после обучения)? Вообще инфы ноль.

OpenCV тут не помощник. Сеточками надо (Object Detection). Судя по картинке, предположу, что это YOLO3. https://github.com/aloyschen/tensorflow-yolo3

А просто бинаризировать?

Нейросетью можно найти даже на таких картинках. Только для обучения нужна хотя бы сотня картинок. Помню как-то нужно было искать углы стелажей при разном свете на чб и цветных картинках (на форуме ниже есть описание, если поискать). 97% точности давала сеточка.

А чем не устраивают готовые пакеты? OpenCvSharp3, например. Там же все уже сделали за вас ))

Сейчас в основном нейросетями сравнивают. Точность повыше обычно, чем у классических способов. Хотя, классику тоже нужно помнить и любить ))

Размер объекта относительно статичен +- 20 пикселей. Больше на сколько? 30х30, 40х40, 80х80. Насколько я понял, чем больше размер объекта, тем дольше ждать результат. Думал. Стандартными средствами OpenCV я детектирую с точностью 90%, но это не всегда устраивает пользователей. Хотелось уйти в сторону DL, но ПК слабые, не тянут. Какие еще альтернативы?

Перечитал много разных публикаций, но не нашел ответа на вопрос высоты/ширины (-w 20 -h 20). Значит ситуация следующая: картинки размеров 400 на 300, сам объект имеет размер 100 на 130. Во всех примерах размер объекта минимален. Что-то из серии 20 на 20 или 30 на 10. Собственно, вопрос. Я должен уменьшать свои картинки, чтобы объект принял нужные размеры? Или как? В одной публикации видел, что объекты еще больше чем у меня (300 на 300), а значения высоты и ширины в параметрах обучения ставят 20 на 20. Или это абстрактные значения в параметрах? Где читать или, может, кто подскажет по своему опыту? Заранее спасибо! opencv_createsamples.exe -info E:\BAZAS\Sova\Good.dat -vec samples.vec -w 20 -h 20

А края известны или нет? Ну т.е. можем ли мы положить все края, для которых нужно делать размытие, в маску?

Если картинки не сдвинуты по осям относительно друг друга, то самый простой и быстрый вариант это использовать логические операции. Тот же XOR, а после смотреть количество белых пикселей countNonZero (если совпали, то их будет мало). Бинаризировать только сперва обе картинки надо.

Это ты называешь серьезным распознаванием? Насмешил )) Картинки покажи. Есть более простые логическое И, ИЛИ и исключающее ИЛИ. Возможно, MorphologyEx+TopHat с маской. Предложил бы классификатор, но ты называешь matching сложным. Всякое можно придумать, в зависимости от задачи. Но все это не очень-то робастно.

https://docs.opencv.org/2.4/doc/tutorials/imgproc/histograms/template_matching/template_matching.html

Кстати, вопрос. Keras имеет несколько версий инсталла ( keras-gpu(вер 2.2.2) и keras(вер 2.2.4)). Какую ставить рекомендуется? Поставил keras-gpu отказал модуль image для аугментаций. Как снести это чудо и поставить просто keras?

На win действительно проблематично работать с python. Сам недавно столкнулся и через pip tensorflow нормально не установился. Установился через conda install. Ну а вообще, есть бесплатный Google Colab, где уже всё установлено. Бери и пользуйся.