OpenCV学习笔记15-目标跟踪算法介绍及实战

Posted Aaron-ywl

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OpenCV学习笔记15-目标跟踪算法介绍及实战相关的知识,希望对你有一定的参考价值。

文章目录

1. 目标追踪介绍

知乎上有篇文章对目标追踪介绍的非常清晰. 目标追踪综述

2. OpenCV目标追踪算法介绍

OpenCV上有八种不同的目标追踪算法.

BOOSTING Tracker:和Haar cascades(AdaBoost)背后所用的机器学习算法相同,但是距其诞生已有十多年了。这一追踪器速度较慢,并且表现不好。(最低支持OpenCV 3.0.0)

MIL Tracker:比上一个追踪器更精确,但是失败率比较高。(最低支持OpenCV 3.0.0)

KCF Tracker:比BOOSTING和MIL都快,但是在有遮挡的情况下表现不佳。(最低支持OpenCV 3.1.0)

CSRT Tracker:比KCF稍精确,但速度不佳。(最低支持OpenCV 3.4.2)

MedianFlow Tracker:出色的跟踪故障报告。当运动是可预测的并且没有遮挡时,效果非常好,但是对于快速跳动或快速移动的物体,模型会失效。(最低支持OpenCV 3.0.0)

TLD Tracker:在多帧遮挡下效果最好。但是TLD的误报非常多,所以不推荐。(最低支持OpenCV 3.0.0)

MOSSE Tracker:速度真心快,但是不如CSRT和KCF的准确率那么高,如果追求速度选它准没错。(最低支持OpenCV 3.4.1)

GOTURN Tracker:这是OpenCV中唯一一深度学习为基础的目标检测器。它需要额外的模型才能运行。(最低支持OpenCV 3.2.0)

3. 目标追踪过程

3.1 定义目标追踪算法

定义不同的目标追踪算法(不含深度学习):

# 定义OpenCV中的七种目标追踪算法
OPENCV_OBJECT_TRACKERS = 
    'boosting': cv2.legacy.TrackerBoosting_create,
    'csrt': cv2.legacy.TrackerCSRT_create,
    'kcf': cv2.legacy.TrackerKCF_create,
    'mil': cv2.legacy.TrackerMIL_create,
    'tld': cv2.legacy.TrackerTLD_create,
    'medianflow': cv2.legacy.TrackerMedianFlow_create,
    'mosse': cv2.legacy.TrackerMOSSE_create  

3.2 初始化追踪器集合

通过MultiTracker_create初始化追踪器集合:

trackers = cv2.MultiTracker_create()

3.3 更新目标追踪器

根据trackers.update更新目标追踪器:

  • trackers.update(image)
    • image:传入的图像
    • 返回两个参数,一个是是否追踪成功,另一个是追踪到的ROI框
success, boxes = trackers.update(frame)

3.4 绘制目标区域

根据trackers.update返回的区域集boxes,绘制不同的目标区域。

box是一个浮点型的ndarray,绘图时需要转成int型

# 绘制追踪到的矩形区域
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)

3.5 对感兴趣的区域进行框截取ROI:

  • cv2.selectROI(windowName, img[, showCrosshair[, fromCenter]])
    • windowName:选择的区域被显示在的窗口的名字
    • img:要在什么图像上进行ROI
    • showCrosshair:是否在矩形框里画十字线,默认为True。
    • fromCenter:是否在矩形框里画十字线,默认为False。
    • 返回的是一个列表:[min_x,min_y,w,h]:
      • min_x为矩形框中最小的x值,左上角
      • min_y为矩形框中最小的y值,左上角
      • w为这个矩形框的宽
      • h为这个矩形框的高
    • 选好区域后,按空格或者Enter完成选择;换区域的时候直接通过鼠标重新选择即可
3.5.1 框选ROI区域:
roi = cv2.selectROI('frame', frame, showCrosshair=xxx, fromCenter=xxx)

完整展示:

import cv2

cap = cv2.VideoCapture('./videos/soccer_01.mp4')

while True:
    flag, frame = cap.read()
    if frame is None:
        break
    cv2.imshow('frame', frame)    
    key = cv2.waitKey(100)  
    if key == ord('s'):
        # 框选ROI区域
        roi = cv2.selectROI('frame', frame, showCrosshair=True, fromCenter=False)
        print(roi)
        # 退出,27为Esc的AscII的值
    elif key == 27:
        break
cap.release()
cv2.destroyAllWindows()
3.5.2 截取ROI:
roi_img = img[int(roi[1]):int(roi[1]+roi[3]), int(roi[0]):int(roi[0]+roi[2])]  # 先高后宽

完整展示:

import cv2

cap = cv2.VideoCapture('./videos/soccer_01.mp4')

while True:
    flag, frame = cap.read()
    if frame is None:
        break
    cv2.imshow('frame', frame)    
    key = cv2.waitKey(100)  
    if key == ord('s'):
        # 框选ROI区域
        roi = cv2.selectROI('frame', frame, showCrosshair=True, fromCenter=False)
        # 截取ROI区域
        roi_img = frame[int(roi[1]):int(roi[1]+roi[3]), int(roi[0]):int(roi[0]+roi[2])]
        cv2.imshow('roi_img', roi_img)
    elif key == 27:
        break
cap.release()
cv2.destroyAllWindows()

3.7 根据需要创建新的追踪目标

3.7.1 创建一个实际的目标追踪器:
tracker = OPENCV_OBJECT_TRACKERS['xxx']()
3.7.2 将选择好的目标添加到追踪器上:
  • trackers.add(newTracker, image, boundingBox)
    • newTracker:追踪器
    • image:传入的图像
    • boundingBox:ROI区域

4. 目标跟踪算法的使用

OpenCV目标跟踪算法的使用大概可以分为以下几个步骤:

  1. 创建MultiTracker对象.
  2. 读取视频或摄像头数据.
  3. 框选ROI区域
  4. 给MultiTracker对象添加实际的追踪算法.
  5. 对每一帧进行进行目标追踪.

完整代码:

import cv2

# MultiTracker_create以及一些其他的目标追踪算法在opencv4.5以后换了地方. 
# cv2.legacy.MultiTracker_create

# 定义OpenCV中的七种目标追踪算法
OPENCV_OBJECT_TRACKERS = 
    'boosting': cv2.legacy.TrackerBoosting_create,
    'csrt': cv2.legacy.TrackerCSRT_create,
    'kcf': cv2.legacy.TrackerKCF_create,
    'mil': cv2.legacy.TrackerMIL_create,
    'tld': cv2.legacy.TrackerTLD_create,
    'medianflow': cv2.legacy.TrackerMedianFlow_create,
    'mosse': cv2.legacy.TrackerMOSSE_create  

# 初始化追踪器集合
trackers = cv2.legacy.MultiTracker_create()
# 读取视频
cap = cv2.VideoCapture('./videos/soccer_01.mp4')

while True:
    flag, frame = cap.read()
    if frame is None:
        break
    # 更新追踪器,追踪目标
    success, boxes = trackers.update(frame)
    # 绘制追踪到的矩形区域
    for box in boxes:
        # box是个浮点型ndarray, 画图需要整型
        (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(30)
    if key == ord('s'):
        # 框选ROI区域
        roi = cv2.selectROI('frame', frame, showCrosshair=True, fromCenter=False)
#         print(roi)
        # 创建一个实际的目标追踪器
        tracker = OPENCV_OBJECT_TRACKERS['csrt']()
        trackers.add(tracker, frame, roi)
    elif key == 27:
        break
        
cap.release()
cv2.destroyAllWindows()

结果展示:



附OpenCV目录:OpenCV总目录学习笔记

智科专业小白,写博文不容易,如果喜欢的话可以点个赞哦!

以上是关于OpenCV学习笔记15-目标跟踪算法介绍及实战的主要内容,如果未能解决你的问题,请参考以下文章

目标跟踪的深度学习方法与opencv实现

目标跟踪的深度学习方法与opencv下的KCF方法

python进阶:带你学习实时目标跟踪

opencv学习之基于背景提取等目标跟踪算法#20190704

随时更新———个人喜欢的关于模式识别机器学习推荐系统图像特征深度学习数值计算目标跟踪等方面个人主页及博客

OpenCV学习总结- 目标跟踪