我认为您可以以更简单的方式解决您的问题。考虑到您正在处理蓝图，您不应该担心边缘连接、噪声以及 SIFT 和 SURF 为适应而构建的许多其他事情。您的模板是具有特定边缘形状的空心形状。

因此，我的建议是：

• 绕着周边走一圈，找到模板中心周围边缘距离的轮廓。这是模板的径向轮廓。除以最大距离，以保持尺度不变。旋转向量，使最小的距离是第一个，以保持旋转不变。（如果您的模板没有显性距离，您可以稍后更改第 2 步）

• 查找图像中的斑点。计算第 (1) 部分中描述的径向轮廓，并通过归一化相关比较两个向量。如果您的模板没有显性距离，则相关性变为归一化互相关，并选择最大值）。那些通过某个阈值的人被视为匹配。

下面是一些 Matlab 代码供您开始使用 - 我编写了查找特定 blob 的距离剖面并为模板计算它的部分：

function Doors
    im = imread('http://i.stack.imgur.com/Tf8EV.png');
    im = im(:,:,1);
    template = imread('http://i.stack.imgur.com/PlP4i.png');
    template = template(:,:,1);

    blobs = regionprops(template>0,'Area','Image');
    largestBlob = GetLargestBlob(blobs);
    [prof,edgeImage] = GetBlobRadialProfile(largestBlob);

    figure;
    subplot(1,2,1);plot(prof); title('Radial profile')
    subplot(1,2,2);imshow(edgeImage); title('Template');

end

function [prof,edgeImage] = GetBlobRadialProfile(blob)
    paddedImage = padarray( blob.Image,[8 8]);
    erodedImage = imerode(paddedImage,strel('disk',1));
    edgeImage = xor(erodedImage,paddedImage);

    c = regionprops(paddedImage,'Centroid');
    cx  = c.Centroid(1);
    cy  = c.Centroid(2);

    [y,x] = find(edgeImage);
    rad = (x(:)-cx).^2 + (y(:)-cy).^2;
    [~,minIndex] = min(rad);
    contour = bwtraceboundary(edgeImage, [y(minIndex), x(minIndex)],'N');
    prof = (contour(:,2)-cx).^2 + (contour(:,1)-cy).^2;
    prof = prof./max(prof);
end

function largestBlob = GetLargestBlob(blobs)    
    area = [blobs.Area];
    [~,index] = max(area);
    largestBlob = blobs(index);
end

这是我所知道的可以做的基本想法，基于 IIT Madras 的 Anurag Mittal 教授的演讲。

这个想法是基于形状的对象检测，但显然也可以扩展到其他地方。

1. 使用伯克利边缘检测器计算边缘。
2. 连接获得的边。“全局对象边界检测”。
3. 使用倒角距离或 Houstoff 距离进行形状匹配。

他的论文可在：Multi-Stage Contour based Detection of Deformable Objects 上找到。

另一方面，我认为 SIFT 应该像角点检测算法一样工作在你那里的模板特征上。

注意：SIFT 不是完全旋转不变的。它无法应对 > 60 度左右的旋转。所以形成多个模板是个好主意。

与基于对数极性的傅里叶-梅林变换一样：由于变换的采样方式，它们会导致信息丢失。

我没有考虑太多，但我很确定使用经典的傅里叶描述符 (FD) 可以轻松获得强大的解决方案。我认为您的问题可能是一个非常好的候选者。不要认为你需要做边缘检测 b/c 你有黑线图。只需开始光栅扫描，直到碰到任何像素，然后执行以下操作：

只需将您的房间周边视为一维信号，其中信号幅度是与物体质心的正常距离，以某种稳定的速率采样。所以，为门做一个简单的FD模型。然后，使用一种凸面滤波器扫描每个房间的参数，寻找上升沿、峰值和下降，从而设置“信号”的开始/停止窗口以进行捕获。对捕获的“信号”执行 FFT 或类似的 FD 算法，并与 FD 模板进行比较。也许模板比较步骤可以是与触发匹配的阈值的简单关联。因为只有你的门有圆边，这应该是一个非常简单的 FD 匹配问题。

可以把它想象成使用 FD 从数据库中检索图像或音乐。很多白皮书都在这方面。

这是一个关于使用 FD 来近似形状的好教程： 我怀疑你会需要它，但你也可以首先将图像转换为极坐标框架来处理旋转，就像本文中提出的那样： 基于形状的图像检索使用通用傅里叶描述符

看看他们 FD 如何参数化苹果周边检测？和你的门一样的想法。

顺便说一句，我很确定将整个示意图映射到极坐标不会有助于旋转不变性 - 你需要对每扇门的质心做这件事，这正是你的问题开始的地方。这就是为什么我认为您只想捕获候选门，并可能将它们映射到极坐标以匹配 FD 门模板，就像上面链接的那篇论文中所做的那样。

如果您尝试这种方法，请告诉我情况如何。

也许你会发现我写的这个 Matlab 代码很有用： Fractal Mosaics

它在一个艺术应用程序中实现了论文“使用对数极坐标变换的鲁棒图像配准”（pdf），该应用程序比我发现的传统方法需要更多的鲁棒性。