Python中ORB检测时的非均匀特征分布

Question

我正在使用Python中的ORB检测图像中的特征，以便将新图像与一组参考图像进行匹配（特征匹配和单应性）。新图像具有未知背景下感兴趣的子图像

我发现，在某些情况下，许多关键点被检测到，而感兴趣的关键点被排除在外。以以下为例：

如果我请求（默认）500个关键点，它们都不在感兴趣的区域中。图像中的文字实际上是我试图匹配的“背景”，即在较浅背景下的大子图像。如果我请求（很多）更多的关键点，我开始在感兴趣的区域中获取一些关键点，但现在一切都相应地运行得更慢：检测和匹配

在这种情况下，查找较大的特征或从整个图像中选择的特征会有所帮助。我可以为cv2.ORB_create（）提供什么参数来实现这一点？或者这是不可能的

我想我可以对图像进行分区，并对每个单元应用特征检测和匹配，但这似乎远不如全局方法有效

我遇到了非最大抑制算法（https://github.com/BAILOOL/ANMS-Codes）的概念，乍一看似乎是一致地找到关键点。但我肯定遗漏了什么，因为它是对检测到的特征进行后处理的

还有一个更大的问题（我对计算机视觉很陌生）：人们有没有尝试过一些启发式方法来帮助将用户拍摄的快照（在手机上）中某处的对象与背景中的未知对象进行匹配

谢谢你的帮助