本文共 1793 字，大约阅读时间需要 5 分钟。

前言

目标跟踪是计算机视觉领域的一个重要问题，目前广泛应用在体育赛事转播、安防监控和无人机、无人车、机器人等领域。

OpenCV包含八个单独的对象跟踪实现。 1、BOOSTING Tracker：基于相同的算法，用于为Haar级联（AdaBoost）背后的机器学习提供动力，但是像Haar级联一样，已有十多年的历史了。这个跟踪器很慢，不能很好地工作。逻辑原理和与其他算法做比较。 （最低OpenCV 3.0.0）

2、MIL Tracker：比BOOSTING跟踪器更准确，但报告失败的工作很差。 （最低OpenCV 3.0.0）

3、KCF Tracker：核心相关滤波器。比BOOSTING和MIL更快。与MIL和KCF类似，不能很好地处理完全闭塞.(最低OpenCV 3.1.0）

4、CSRT Tracker：判别相关滤波器（具有信道和空间可靠性）。趋向于比KCF更准确但稍慢。 （最低OpenCV 3.4.2）

5、MedianFlow Tracker：报道失败的好工作;但是，如果运动中的跳跃太大，例如快速移动的物体，或者外观变化很快的物体，则模型将失败。 （最低OpenCV 3.0.0）

6、TLD Tracker：TLD跟踪器非常容易出现误报。不建议使用此OpenCV对象跟踪器。 （最低OpenCV 3.0.0）

7、MOSSE Tracker：非常非常快。不如CSRT或KCF准确，但如果你需要纯粹的速度，这是一个很好的选择。 （最低OpenCV 3.4.1）

8、GOTURN Tracker：OpenCV中唯一的基于深度学习的对象检测器。它需要运行其他模型文件（不做介绍）。

创建追踪器方法对象

首先安装opencv_contrib扩展包。

pip install opencv-contrib-python==3.4.3.18

import cv2import numpy as npOPENCV_OBJECT_TRACKERS={
       "csrt":cv2.TrackerCSRT_create,    "kcf":cv2.TrackerKCF_create,    "boosting":cv2.TrackerBoosting_create,    "mil":cv2.TrackerMIL_create,    "mosse":cv2.TrackerMOSSE_create,}trackers = cv2.MultiTracker_create()vs = cv2.VideoCapture("1.mp4")while True:    frame = vs.read()    frame = frame[1]    if frame is None:        break    (h,w) = frame.shape[:2]    width =600    r = width/float(w)    dim = (width,int(h*r))    frame = cv2.resize(frame,dim)    #追踪结果    (success , boxes) = trackers.update(frame)    for box in boxes:        (x,y,w,h) = [int(v) for v in box]        cv2.rectangle(frame, (x,y),(x+w,y+h),(0,255,0),2)            cv2.imshow("frame",frame)    key = cv2.waitKey(100) & 0xFF    if key == ord("s"):        box = cv2.selectROI("frame", frame, fromCenter=False,showCrosshair=True)        tracker = OPENCV_OBJECT_TRACKERS["tld"]()        trackers.add(tracker, frame,box)    elif key == 27:        breakvs.release()cv2.destroyAllWindows()

转载地址：http://plklf.baihongyu.com/