本文共 1793 字,大约阅读时间需要 5 分钟。
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)。
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/