多目标追踪器:用OpenCV实现多目标追踪(C++/Python)

Posted AI开发者

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了多目标追踪器:用OpenCV实现多目标追踪(C++/Python)相关的知识,希望对你有一定的参考价值。

本文为 AI 研习社编译的技术博客,原标题 :

MultiTracker : Multiple Object Tracking using OpenCV (C++/Python)

翻译 |  燕婕    校对 | 酱番梨      整理 | 菠萝妹

原文链接:

https://www.learnopencv.com/multitracker-multiple-object-tracking-using-opencv-c-python/



在本文中,我们将谈到如何用 OpenCV 的多目标追踪API,通过使用 MultiTracker 类来实现。我们将分享用 C++ 和用 Python 实现的代码。

在我们深入探讨细节之前,请检查下边列出来的之前的关于目标追踪的帖子,理解用 OpenCV 实现的单目标追踪器的基本原理。

  1.  用 OpenCV 实现目标追踪

  2.  GOTURN: 基于深度学习的目标追踪


  为什么我们需要多目标追踪

大多数计算机视觉和机器学习的入门者都学习目标识别。如果你是一个初学者,你可能会思考我们到底为什么需要目标追踪。我们为什么不能只是在每一帧检测目标?

然我们来探索追踪很有用的几个原因。

首先,当视频的一帧中有多个目标(这里指人)时,追踪帮助建立帧之间的目标同一性。

第二,在一些情况下,目标检测可能失败但是仍有可能追踪目标,因为追踪考虑到目标在前一帧中的位置和外观。

第三,一些追踪算法是非常快的,因为他们做局部搜索而非全局搜索。所以通过每隔 n 帧做目标检测并在中间的帧做目标追踪,我们的系统可以获得很高的帧速。

所以,为什么不在第一次检测后无限期地跟踪这个对象呢?一个追踪算法有时可能会丢掉它所追踪的目标的轨迹。例如,当目标的移动太大,一个追踪算法可能不能保持一直追踪。所以现实中许多应用将检测和追踪一起使用。

在这个教程中,我们将只关注追踪这部分,我们将通过在对象周围放置一个边界框来指定想要跟踪的对象。


  多目标追踪:OpenCV 的多目标追踪器

OpenCV 中的 MultiTracker 类提供了多目标追踪的实施方法。他是一个简单的实施方法因为他独立地处理被追踪的目标,不需要在多个被追踪对象之间做任何优化。

让我们一步步查看代码,学习我们如何用 OpenCV 的多目标追踪 API。

下载代码

为了能容易地跟着这个教程学习,请点击下面的按钮,下载代码。代码是免费的!

代码下载链接:https://bigvisionllc.leadpages.net/leadbox/143948b73f72a2%3A173c9390c346dc/5649050225344512/


第一步:创建单目标追踪器

一个多目标追踪器是由一系列简单的单目标追踪器组成的。一开始,我们先定义一个函数,用追踪器类型作为输入并创建一个追踪器对象。OpenCV 有八个不同的追踪器类型:BOOSTING, MTL, KCF, TLD, MEDIANFLOW, GOTURN, MOSSE, CSRT.

如果你想用 GOTURN 追踪器,请确保阅读这篇文章并下载caffe模型。

在下面的代码中,给出追踪器类别的名字,我们返回追踪器对象。这个追踪器会用于多目标追踪器。

Python

from __future__ import print_function
import sys
import cv2
from random import randint

trackerTypes = ['BOOSTING', 'MIL', 'KCF','TLD', 'MEDIANFLOW', 'GOTURN', 'MOSSE', 'CSRT']

def createTrackerByName(trackerType):
 # Create a tracker based on tracker name
 if trackerType == trackerTypes[0]:
   tracker = cv2.TrackerBoosting_create()
 elif trackerType == trackerTypes[1]:
   tracker = cv2.TrackerMIL_create()
 elif trackerType == trackerTypes[2]:
   tracker = cv2.TrackerKCF_create()
 elif trackerType == trackerTypes[3]:
   tracker = cv2.TrackerTLD_create()
 elif trackerType == trackerTypes[4]:
   tracker = cv2.TrackerMedianFlow_create()
 elif trackerType == trackerTypes[5]:
   tracker = cv2.TrackerGOTURN_create()
 elif trackerType == trackerTypes[6]:
   tracker = cv2.TrackerMOSSE_create()
 elif trackerType == trackerTypes[7]:
   tracker = cv2.TrackerCSRT_create()
 else:
   tracker = None
   print('Incorrect tracker name')
   print('Available trackers are:')
   for t in trackerTypes:
     print(t)
   
 return tracker


C++

注意:除了需要 include opencv2 / opencv.hpp 之外,你还需要 include opencv2 / tracking.hpp 。

#include <opencv2/opencv.hpp>
#include <opencv2/tracking.hpp>

using namespace cv;
using namespace std;

vector<string> trackerTypes = {"BOOSTING", "MIL", "KCF", "TLD", "MEDIANFLOW", "GOTURN", "MOSSE", "CSRT"};

// create tracker by name
Ptr<Tracker> createTrackerByName(string trackerType)
{
 Ptr<Tracker> tracker;
 if (trackerType ==  trackerTypes[0])
   tracker = TrackerBoosting::create();
 else if (trackerType == trackerTypes[1])
   tracker = TrackerMIL::create();
 else if (trackerType == trackerTypes[2])
   tracker = TrackerKCF::create();
 else if (trackerType == trackerTypes[3])
   tracker = TrackerTLD::create();
 else if (trackerType == trackerTypes[4])
   tracker = TrackerMedianFlow::create();
 else if (trackerType == trackerTypes[5])
   tracker = TrackerGOTURN::create();
 else if (trackerType == trackerTypes[6])
   tracker = TrackerMOSSE::create();
 else if (trackerType == trackerTypes[7])
   tracker = TrackerCSRT::create();
 else {
   cout << "Incorrect tracker name" << endl;
   cout << "Available trackers are: " << endl;
   for (vector<string>::iterator it = trackerTypes.begin() ; it != trackerTypes.end(); ++it)
     std::cout << " " << *it << endl;
 }
 return tracker;
}


第二步:读取视频的第一帧

一个多目标追踪器需要两个输入    

  1. 视频的一帧

  2. 你想要追踪的所有目标的位置(边界框)

给定这些信息,追踪器会在多有子序列帧中追踪这些特定目标的位置。

在下面的代码中,我们先用 VidoeCapture 类加载视频,读取第一帧。这一帧将会用于之后的 MultiTracker 的初始化。

Python

# Set video to load
 videoPath = "videos/run.mp4"
 
 # Create a video capture object to read videos
 cap = cv2.VideoCapture(videoPath)

 # Read first frame
 success, frame = cap.read()
 # quit if unable to read the video file
 if not success:
   print('Failed to read video')
   sys.exit(1)


C++

// set default values for tracking algorithm and video
 string videoPath = "videos/run.mp4";
 
 // Initialize MultiTracker with tracking algo
 vector<Rect> bboxes;

 // create a video capture object to read videos
 cv::VideoCapture cap(videoPath);
 Mat frame;

 // quit if unabke to read video file
 if(!cap.isOpened())
 {
   cout << "Error opening video file " << videoPath << endl;
   return -1;
 }

 // read first frame
 cap >> frame;


第三步:在第一帧中定位物体

接下来,我们需要在第一帧中定位我们想要追踪的物体。位置是一个简单的边界框。

OpenCV 提供了一个叫做 selectROI 的功能,它可以弹出一个 GUI 来选择边界框(也叫做感兴趣的区域(ROI))。

在C++版本中,selectROI允许你得到多个边界框,但在 Python 版本中,它会只返回一个边界框。所以,在 Python 版本中,我们需要一个循环来得到多个边界框。

对于每个目标,我们还会选择随机的颜色来显示边界框。

下面就是实现代码。

Python

## Select boxes
bboxes = []
colors = []

# OpenCV's selectROI function doesn't work for selecting multiple objects in Python
# So we will call this function in a loop till we are done selecting all objects
while True:
 # draw bounding boxes over objects
 # selectROI's default behaviour is to draw box starting from the center
 # when fromCenter is set to false, you can draw box starting from top left corner
 bbox = cv2.selectROI('MultiTracker', frame)
 bboxes.append(bbox)
 colors.append((randint(0, 255), randint(0, 255), randint(0, 255)))
 print("Press q to quit selecting boxes and start tracking")
 print("Press any other key to select next object")
 k = cv2.waitKey(0) & 0xFF
 if (k == 113):  # q is pressed
   break

print('Selected bounding boxes {}'.format(bboxes))


C++

// Get bounding boxes for first frame
// selectROI's default behaviour is to draw box starting from the center
// when fromCenter is set to false, you can draw box starting from top left corner
bool showCrosshair = true;
bool fromCenter = false;
cout << "\n==========================================================\n";
cout << "OpenCV says press c to cancel objects selection process" << endl;
cout << "It doesn't work. Press Escape to exit selection process" << endl;
cout << "\n==========================================================\n";
cv::selectROIs("MultiTracker", frame, bboxes, showCrosshair, fromCenter);

// quit if there are no objects to track
if(bboxes.size() < 1)
 return 0;

vector<Scalar> colors;  
getRandomColors(colors, bboxes.size());


getRandomColors 函数相当简单

// Fill the vector with random colors
void getRandomColors(vector<Scalar>& colors, int numColors)
{
 RNG rng(0);
 for(int i=0; i < numColors; i++)
   colors.push_back(Scalar(rng.uniform(0,255), rng.uniform(0, 255), rng.uniform(0, 255)));
}


第三步:初始化多目标追踪器

直到目前,我们读到了第一帧并且得到了目标周围的边界框。这些是我们需要初始化多目标追踪器所需的全部信息。

我们首先创建一个 MuliTracker 对象并且增加和单个目标追踪器一样多的边界框。在这个例子中,我们用 CSRT 单目标追踪器,但是你尝试可以通过将 trackerTyper 变量改变为这篇文章一开始提到的8种追踪器中的一种,来尝试其使用他类型的追踪器。CSRT 追踪器不是最快的,但它在我们尝试的许多情况下都能生成最好的结果。

你可以用封装在同一个 MultiTracker 中的不同的追踪器,但是当然,这意义不大。

MultiTracker 类是一个简单的单目标追踪器的封装器。我们从前边的文章种知道,初始化单目标追踪器,我们需要视频第一帧和用来标定我们想要追踪的目标位置的边界框。多目标追踪器将这些信息传递给它内部封装的单目标追踪器。

Python

# Specify the tracker type
trackerType = "CSRT"  

# Create MultiTracker object
multiTracker = cv2.MultiTracker_create()

# Initialize MultiTracker
for bbox in bboxes:
 multiTracker.add(createTrackerByName(trackerType), frame, bbox)


C++

// Specify the tracker type
string trackerType = "CSRT";
// Create multitracker
PtrmultiTracker = cv::MultiTracker::create();

// Initialize multitracker
for(int i=0; i < bboxes.size(); i++)
 multiTracker->add(createTrackerByName(trackerType), frame, Rect2d(bboxes[i]));


第四步:更新多目标追踪器并展示结果

最后,我们的多目标追踪器已经准备好了,我们可以在新的帧中追踪多个目标。我们用 MultiTracker 类中的 update 的方法来定位新一帧中的目标。每个用来追踪目标的边界框都用不同颜色来画。

python

# Process video and track objects
while cap.isOpened():
 success, frame = cap.read()
 if not success:
   break
 
 # get updated location of objects in subsequent frames
 success, boxes = multiTracker.update(frame)

 # draw tracked objects
 for i, newbox in enumerate(boxes):
   p1
= (int(newbox[0]), int(newbox[1]))
   p2 = (int(newbox[0] + newbox[2]), int(newbox[1] + newbox[3]))
   cv2.rectangle(frame, p1, p2, colors[i], 2, 1)

 # show frame
 cv2.imshow('MultiTracker', frame)
 

 # quit on ESC button
 if cv2.waitKey(1) & 0xFF == 27:  # Esc pressed
   break


C++

while(cap.isOpened())
{
 // get frame from the video
 cap >> frame;

 // Stop the program if reached end of video
 if (frame.empty()) break;

 //Update the tracking result with new frame
 multiTracker->update(frame);

 // Draw tracked objects
 for(unsigned i=0; igetObjects().size(); i++)
 {
   rectangle(frame, multiTracker->getObjects()[i], colors[i], 2, 1);
 }

 // Show frame
 imshow("MultiTracker", frame);
 
 // quit on x button
 if  (waitKey(1) == 27) break;
 
}


  订阅 & 下载代码

如果你喜欢这篇文章并且你想要下载代码(C++ 和 Python)和这篇文章中用到的例子图片,请订阅我们。你还将收到免费的计算机视觉知道。我们会分享用C++/ Python写的 OpenCV 的教程和例子,还有计算机视觉和机器学习的算法和新闻。


想要继续查看该篇文章相关链接和参考文献?

戳链接:

http://www.gair.link/page/TextTranslation/1047


AI研习社每日更新精彩内容,点击文末【阅读原文】即可观看更多精彩内容:

良心推荐:一份 20 周学习计算机科学的经验贴(附资源)

多目标追踪器:用OpenCV实现多目标追踪(C++/Python)

为计算机视觉生成大的、合成的、带标注的、逼真的数据集

悼念保罗·艾伦,除了他科技圈还有哪些大佬值得信仰?

等你来译:


如何开发多步空气污染时间序列预测的自回归预测模型 


用 4 种卷积神经网络,轻松分类时尚图像 

使用 SKIL 和 YOLO 构建产品级目标检测系统

很有启发性的25个开源机器学习项目


号外号外~

想要获取更多AI领域相关学习资源,可以访问AI研习社资源板块下载,

所有资源目前一律限时免费,欢迎大家前往社区资源中心

http://www.gair.link/page/resources)下载喔~

以上是关于多目标追踪器:用OpenCV实现多目标追踪(C++/Python)的主要内容,如果未能解决你的问题,请参考以下文章

运动对象检测和描述

双目相机同目标追踪

OpenCV—用meanshift和Camshift进行目标追踪

OpenCV学习笔记15-目标跟踪算法介绍及实战

keras-yolov3 + Kalman-Filter 进行人体多目标追踪(含代码)

多假设追踪方法mht是啥算法