谈谈如何使用 opencv 进行图像识别

原文由hakaboom发表于TesterHome社区，点击原文链接可与作者直接交流。

1）前言

从18年开始,我接触了叉叉助手(平台已经被请喝茶了),通过图色识别,用来给常玩的游戏写挂机脚本,写了也有两三年.也算是我转行当游戏测试的理由.
去年11月,也是用了这身技术,混进了外包,薪资还不错,属于是混日子了,岗位是在发行,接触到很多游戏,因为接不了poco,到手只有apk,
日积月累,游戏越来越多,项目组却还是只有这点人.为了减轻自己的压力,就开始了UI自动化的不归路.

2）游戏UI自动化

因为游戏引擎,是无法通过appium等框架去获取,如果不接入一些SDK,那么识别的方法只有图像识别.现在常见的开源框架

网易的Airtest,通过传统识别进行自动化,还有airtestIDE可以简单快速的编写airtest代码
腾讯GameAISDK,通过深度学习进行自动化(没用过,好久不维护了)
阿里的SoloPi,主要功能是录制、群控,有图像匹配辅助

图像相关的常见方法:

传统的识别方法: 特征点、模板、轮廓
- 特征点: SIFT, ORB
  - 下文会详细讲
- 模板匹配: opencv的matchTemplate
  - 最简单的方案,通过讲模板在目标图像中平移,找到最符合的目标
- 轮廓: HALCON Shape-based Matching, Canny
  - 没用过,写不来,halcon的要花钱
基于深度学习的方法:
- 文字识别: PaddleOCR,tesseract
  - paddleOCR基本上开箱即用,但是对于游戏内的艺术字,还需要额外的训练
- 图像分类: paddleClas
  - 没有实际用过,感觉可以用在区分场景,然后去做更加详细的识别.比如识别弹窗
- 目标检测: yolo
  - 之前很火的Fps外挂,基本就是靠这个去识别人体

UI自动化的核心在于查找元素,并且在什么位置.那么重点就会放在图像识别上.
基于深度学习的方案,需要大量的正负样本和标注工作,因此只能放弃.取而代之的是传统的识别方案.
在社区里、qq的测试群里就能发现,大多数人对传统图像识别的印象是:慢,不准.
今年过年前,去张江面试过一家游戏公司,也是发行公司,聊了一个多小时,聊下来他们的方案是airtest一种机型截一个图去做适配.我大受震撼.
总结下来图像识别的UI自动化难点:

识别慢
识别结果不准确
多分辨率不兼容性
游戏UI更新,管理图片库的成本

3）怎么解决

那么我做了什么,项目就在这里:https://github.com/hakaboom/py_image_registration
目前也是在重构,重构完成后可能起个好名字:https://github.com/hakaboom/image_registration

一开始是参考了airtest的aircv部分,当时不想有那么多依赖,就拆出来了.
重构之后,通过对opencv一些api的封装,重新组织了构架和算法.目前效果感觉不错,也已经给airtest提了pr,后续也会推进合并.

安装opencv-python

建议版本可以是4.5.5

pypi上有编译好的,但是只能用cpu方法:
- pip install opencv-python
- pip install opencv-contrib-python
从源码编译,可以自定义更多的东西,比如增加cuda支持
- 先从opencv仓库克隆代码
- 剩下的看这里 https://github.com/hakaboom/py_image_registration/blob/master/doc/cuda_opencv.md

什么是特征点

简单的理解: 用于描述图像特征的关键点

常见的特征点提取算法:

SIFT: 尺度不变特征变换. opencv只有cpu实现
SURF: surf的加速算法. opencv有cpu和cuda实现
ORB: 使用FAST特征检测和BRIEF特征描述子. opencv有cpu和cuda实现

他们的好处是什么: 尺度和旋转不变性,说白了就是兼容不同分辨率、旋转、尺度的变换
速度排序: ORB(cuda)>SURF(cuda)>ORB>SURF>SIFT
效果排序(效果不止是特征点的数量,更重要的是特征点的质量): SIFT>ORB>SURF

例子

6.png(2532x1170)iphone12pro上的截图
4.png(1922x1118 实际游戏渲染是1920x1080,多出来的是windows边框)崩三桌面端的截图, 裁剪了右上角的蓝色加号区域当模板

import cv2
import time
from baseImage import Image, Rect
from image_registration.matching import SIFT

match = SIFT()
im_source = Image('tests/image/6.png')
im_search = Image('tests/image/4.png').crop(Rect(1498,68,50,56))

start = time.time()
result = match.find_all_results(im_source, im_search)
print(time.time() - start)
print(result)
img = im_source.clone()
for _ in result:
    img.rectangle(rect=_['rect'], color=(0, 0, 255), thickness=3)
img.imshow('ret')
cv2.waitKey(0)

结果可以得到三个加号的位置

[
    {'rect': <Rect [Point(1972.0, 33.0), Size[56.0, 58.0]], 'confidence': 0.9045119285583496}, 
    {'rect': <Rect [Point(2331.0, 29.0), Size[52.0, 66.0]], 'confidence': 0.9046278297901154}, 
    {'rect': <Rect [Point(1617.0, 30.0), Size[51.0, 64.0]], 'confidence': 0.9304171204566956}
]

怎么进行匹配

Airtest的aircv做了什么

https://github.com/AirtestProject/Airtest/blob/d41737944738e651dd29564c29b88cc4c2e71e2e/airtest/aircv/keypoint_base.py#L133
1.获取特征点
2.匹配特征点

def match_keypoints(self, des_sch, des_src):
    """Match descriptors (特征值匹配)."""
    # 匹配两个图片中的特征点集，k=2表示每个特征点取出2个最匹配的对应点:
    return self.matcher.knnMatch(des_sch, des_src, k=2)

我们可以看到,这边k=2代表,一个模板上的特征点,去匹配两个目标图像的特征点
3.筛选特征点

good = []
for m, n in matches:
   if m.distance < self.FILTER_RATIO * n.distance:
       good.append(m)

通过计算两个描述符之间的距离差,来筛选结果

4.根据透视变换或坐标计算,获取矩形,然后计算置信度

那么以上步骤会存在什么问题

在第二步,假设图片中存在n个目标图片,那么还是k=2的话,就会导致特征点数量变少
在第三步,筛选的方法不太合理,实际debug中会发现,一些特征点即使distance数值很高,但从结果上看,还是符合目标的,那么就意味着单纯根据距离去筛选特征点
的方法是不靠谱的
在第四步,获取完特征点后,airtest的方式是,根据透视变换获取目标的四个顶点坐标,计算出最小外接矩形.
那么如果目标图片存在旋转/形变,那么最后获取的图片会裁剪到多余目标,造成置信度降低

既然airtest存在这些问题,那么我做了什么改动,我把步骤一个个拆分

我的特征点匹配

1.读取图片

from baseImage import Image
im_source = Image('tests/image/6.png')

这边用到了我另外一个库 https://github.com/hakaboom/base_image
主要的用处对opencv的图像数据进行格式和类型的转换,以及一些接口的包装

使用place参数,修改数据格式
- Ndarray: 格式为numpy.ndarray格式
- Mat: 和numpy基本一致
- Umat: python的绑定不多,没有ndarray灵活,可以用于opencl加速
- GpuMat: opencv的cuda格式,需要注意显存消耗

from baseImage import Image
from baseImage.constant import Place
    
Image(data='tests/image/0.png', place=Place.Ndarray)  # 使用numpy
Image(data='tests/image/0.png', place=Place.Mat)  # 使用Mat
Image(data='tests/image/0.png', place=Place.UMat)  # 使用Umat
Image(data='tests/image/0.png', place=Place.GpuMat)  # 使用cuda

2.创建特征点检测类
这边会有一些参数,除了threshold(过滤阈值)、rgb(是否通过rgb通道检测)以为,还有可以加入特征点提取器的一些配置,一般默认就好,具体可以查opencv文档

from image_registration.matching import SIFT

match = SIFT(threshold=0.8, rgb=True, nfeatures=50000)

3.识别

from image_registration.matching import SIFT
from baseImage import Image, Rect


im_source = Image('tests/image/6.png')
im_search = Image('tests/image/4.png').crop(Rect(1498,68,50,56))

match = SIFT(threshold=0.8, rgb=True, nfeatures=50000)
result = match.find_all_results(im_source, im_search)

4.解析下find_all_results里做了什么,可以在image_registration.matching.keypoint.base里找到基类

第一步: 创建特征点提取器BaseKeypoint.create_matcher
例：image_registration.matching.keypoint.sift

def create_detector(self, **kwargs) -> cv2.SIFT:
    nfeatures = kwargs.get('nfeatures', 0)
    nOctaveLayers = kwargs.get('nOctaveLayers', 3)
    contrastThreshold = kwargs.get('contrastThreshold', 0.04)
    edgeThreshold = kwargs.get('edgeThreshold', 10)
    sigma = kwargs.get('sigma', 1.6)
    
    detector = cv2.SIFT_create(nfeatures=nfeatures, nOctaveLayers=nOctaveLayers, contrastThreshold=contrastThreshold,
                                edgeThreshold=edgeThreshold, sigma=sigma)
    return detector

第二步: 创建特征点匹配器BaseKeypoint.create_detector用于匹配模板和目标图片的特征点
有两种匹配器,
- BFMatcher: 暴力匹配, 总是尝试所有可能的匹配
- FlannBasedMatcher: 算法更快,但是也能找到最近邻的匹配
第三步: 提取特征点BaseKeypoint.get_keypoint_and_descriptor
用第一步创建的提取器去获取特征点.ORB这种,还需要额外的去增加描述器.具体就看代码实现吧.
第四步: 匹配特征点
用第二步创建的匹配器,获取特征点集
第五步: 筛选特征点BaseKeypoint.filter_good_point
- cv2.DMatchopencv的匹配关键点描述符类
  - distance: 两个描述符之间的距离(欧氏距离等),越小表明匹配度越高
  - imgIdx: 训练图像索引
  - queryIdx: 查询描述符索引(对应模板图像)
  - trainIdx: 训练描述符索引(对应目标图像)
- cv2.Keypointopencv的特征点类
  - angle: 特征点的旋转方向(0~360)
  - class_id: 特征点的聚类ID
  - octave:特征点在图像金字塔的层级
  - pt: 特征点的坐标(x,y)
  - response: 特征点的响应强度
  - size: 特征点的直径大小
    知道了这两种类之后,我们就可以通过第四步获取的特征点集进行筛选
- 步骤1: 根据queryIdx的索引对列表进行重组,主要目的是,让一个模板的特征点只可以对应一个目标的特征点
- 步骤2: 根据distance的升序,对特征点集进行排序,提取出第一个点,也就是当前点集中,distance数值最小的点,为待匹配点A
- 步骤3. 获取点待匹配点A对应的queryIdx和trainIdx的keypoint(query_keypoint,train_keypoint,通过两个特征点的angle可以计算出,特征点的旋转方向
- 步骤4. 计算train_keypoint与其他特征点的夹角,根据旋转不变性,我们可以根据模板上query_keypoint的夹角,
  去筛选train_keypoint的夹角
- 步骤5. 计算以query_keypoint为原点,其他特征点的旋转角,还是根据旋转不变性,我们可以再去筛选以train_keypoint原点,其他特征的的旋转角
- 最后,我们就可以获取到,所有匹配的点、图片旋转角度、基准点(待匹配点A)

5.筛选完点集后,就可以进行匹配了,这边会有几种情况BaseKeypoint.extract_good_points

没有特征点,其实肯定会有一个特征点
有1组特征点BaseKeypoint._handle_one_good_points
- 根据两个特征点的size大小,获取尺度的变换
- 根据步骤4中返回的旋转角度,获取变换后的矩形顶点
- 通过透视变换,获取目标图像区域,与目标图像进行模板匹配,计算置信度
有2组特征点BaseKeypoint._handle_two_good_points
- 计算两组特征点的两点之间距离,获取尺度的变换
- 根据步骤4中返回的旋转角度,获取变换后的矩形顶点
- 通过透视变换,获取目标图像区域,与目标图像进行模板匹配,计算置信度
有3组特征点BaseKeypoint._handle_three_good_points
- 根据三个特征点组成的三角形面积,获取尺度的变换
- 根据步骤4中返回的旋转角度,获取变换后的矩形顶点
- 通过透视变换,获取目标图像区域,与目标图像进行模板匹配,计算置信度
有大于等于4组特征点BaseKeypoint._handle_many_good_points
- 使用单矩阵映射BaseKeypoint._find_homography,获取变换后的矩形顶点
- 通过透视变换,获取目标图像区域,与目标图像进行模板匹配,计算置信度

6.删除特征点
匹配完成后,如果识别成功,则删除目标区域的特征点,然后进入下一次循环

4）基准测试

设备环境:

i7-9700k 3.6GHz
NvidiaRTX 3080Ti
cuda版本11.3
opencv版本:4.5.5-dev(从源码编译)

测试内容: 循环50次,获取目标图片和模板图片的特征点.

注：没有进行特征点的筛选, 特征点方法没有进行模板匹配计算置信度,因此实际速度会比测试的速度要慢

从图中可以看出cuda方法的速度最快,同时cpu的占用也小,原因是这部分算力给到了cuda

因为没有用代码获取cuda使用率,这边在任务管理器看的,只能说个大概数

cuda_orb: cuda占用在35%~40%左右
cuda_tpl: cuda占用在15%~20%左右
opencl_surf: cuda占用在13%左右
opencl_akaze: cuda占用在10%~15%左右

还有其他的算法,opencv没有提供cuda或者是opencl的实现,只能用cpu加速

5）怎么优化速度

airtest慢的一个原因在于,只用了cpu计算.如果能释放算力到gpu上,速度就会有成倍的增长.

opencv已经给我们做好了很多接口.我们可以通过cv2.cuda.GpuMat, cv2.UMat调用cuda和opencl的算法.

通过baseImage可以快速的创建对应格式的图像

from baseImage import Image
from baseImage.constant import Place
      
Image('tests/images/1.png', place=Place.GpuMat) 
Image('tests/images/1.png', place=Place.UMat)

可以用cuda加速的识别方法, 需要调用其他的类函数,且图片格式需要是cv2.cuda.GpuMat

surf: 没写,下次再补
orb: 对应函数image_registration.matching.keypoint.orb.CUDA_ORB
matchTemplateimage_registration.matching.template.matchTemplate.CudaMatchTemplate

可以用opencl加速的识别方法, 只需要传图像参数的时候,格式是UMat,opencv会自动的调用opencl方法

surf
orb
matchTemplate

这边只讲了特征点获取/模板匹配的方法,在其他的图像处理函数中cuda和opencl也能有一定的加速,但是不如以上方法明显

从框架设计上进行加速.（可能只限于游戏应用，传统app用不了）

从游戏上讲,我们预先知道一些控件,在屏幕中的坐标位置.分辨率进行转换时,我们可以通过计算控件的位置,裁剪对应位置的图像,通过模板匹配进行快速的识别.
- 举个例子,下面两张图,一个是1280x720下的截图,一个是2532x1170下的截图
- 1280x720下邮件控件的坐标范围是Rect(372,69,537,583)
- 通过下面的计算方式,我们可以得出2532x1170下,范围是Rect(828,110,874,949),通过裁剪软件取得的范围是Rect(830,112,874,948)
- 具体的原理是利用了,引擎的缩放和锚点原理,反向求出坐标范围.去适应一些黑边,刘海的情况.
- 求出范围后,裁剪范围的图片,和模板去做匹配,就可以快速的识别一些固定位置的控件

from baseImage import Rect
from baseImage.coordinate import Anchor, screen_display_type, scale_mode_type


anchor = Anchor(
    dev=screen_display_type(width=1280, height=720),
    cur=screen_display_type(width=2532, height=1170, top=0, bottom=0, left=84, right=84),
    orientation=1, mainPoint_scale_mode=scale_mode_type(), appurtenant_scale_mode=scale_mode_type()
)

rect = Rect(371, 68, 538, 584)
point = anchor.point(rect.x, rect.y, anchor_mode='Middle')
size = anchor.size(rect.width, rect.height)
print(Rect.create_by_point_size(point, size))
# <Rect [Point(828.9, 110.5), Size[874.2, 949.0]]

建立模板库,预先加载模板,得到屏幕图片后,通过一些相似度计算baseImage.utils.ssim对场景进行识别与分类,然后去识别相应场景的特征点.用这样的方法去减少计算量

这边其实有想法去扩展到深度学习,比如之前说的图像分类.首先我们建立了一个很大的模板库,可以拆分出来界面1, 界面2,界面3和一些通用控件
再通过分类去获得当前在什么界面,然后只识别这个界面的控件,达到减少计算量的作用

#6）备注
有其他疑问的话，可以在testerhome的游戏测试qq群里找到我581529846

原文由hakaboom发表于TesterHome社区，点击原文链接可与作者直接交流。

今日份的知识已摄入~
想了解更多前沿测试开发技术：欢迎关注「第十届MTSC大会·上海」>>>
1个主会场+12大专场，大咖云集精英齐聚
12个专场包括：
知乎、OpenHarmony、开源、游戏、酷家乐、音视频、客户端、服务端、数字经济、效能提升、质量保障、智能化测试文章来源地址https://uudwc.com/A/mMoj