前言

见惯了KCF、DCF、MEDIANFLOW这些常规追踪器，来看看基于神经网络的GOTURN吧。

首先，这个Tracker并不算慢，利用GPU能跑到100fps

论文原文：Learning to Track at 100 FPS with Deep Regression Networks

撇开原理，从工程的角度来看，算法输入前后两帧被裁剪过的图像，送入卷积神经网络（CNN），继而回归出物体的boudingbox,输出结果。

算法结构：

如下图所示，首先获取到上一帧的结果（第二行图），以中心为原点扩大一圈得到Rect，利用这个Rect裁剪当前帧，分别送入两个五层的卷积网络，再经过三个全连层回归出最终的结果。好了不扯原理了，来看看如何用OpenCV把这个Tracker跑起来。

====================利用OpenCV运行GOTURN==================

1.下载模型

首先，当然是要下载别人训练好的模型文件咯

下载地址：地址

如果上面的地址下载速度太慢，可以用这个地址或者Github地址（需要自己拼一下）

2.配置OpenCV_contrib环境

保证OpenCV版本在3.4.1以上，编译最新的contrib模型

可以参考我之前的博客：地址

3.简单粗暴的代码

记得把视频的路径换成自己的，一开始需要自己框选一下目标所在的位置。

/*
Copyright 2018 Satya Mallick (LearnOpenCV.com)
*/#include <opencv2/opencv.hpp>
#include <opencv2/tracking.hpp>using namespace cv;
using namespace std;#define SSTR( x ) static_cast< std::ostringstream & >( \
( std::ostringstream() << std::dec << x ) ).str()int main(int argc, char **argv)
{// Create trackerPtr<Tracker> tracker = TrackerGOTURN::create();// Read videoVideoCapture video("vtest.avi");// Exit if video is not openedif (!video.isOpened()){cout << "Could not read video file" << endl;return EXIT_FAILURE;}// Read first frameMat frame;if (!video.read(frame)){cout << "Cannot read video file" << endl;return EXIT_FAILURE;}// Define initial boundibg boxRect2d bbox = selectROI(frame, false);// (287, 23, 86, 320);// Uncomment the line below to select a different bounding box//bbox = selectROI(frame, false);// Initialize tracker with first frame and bounding boxtracker->init(frame, bbox);while (video.read(frame)){// Start timerdouble timer = (double)getTickCount();// Update the tracking resultbool ok = tracker->update(frame, bbox);// Calculate Frames per second (FPS)float fps = getTickFrequency() / ((double)getTickCount() - timer);if (ok){// Tracking success : Draw the tracked objectrectangle(frame, bbox, Scalar(255, 0, 0), 2, 1);}else{// Tracking failure detected.putText(frame, "Tracking failure detected", Point(100, 80), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(0, 0, 255), 2);}// Display tracker type on frameputText(frame, "GOTURN Tracker", Point(100, 20), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(50, 170, 50), 2);// Display FPS on frameputText(frame, "FPS : " + SSTR(int(fps)), Point(100, 50), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(50, 170, 50), 2);// Display frame.imshow("Tracking", frame);// Exit if ESC pressed.if (waitKey(1) == 27) break;}return EXIT_SUCCESS;
}

比较好的效果：(大概脸是在训练样本里的，所以效果会好一些

图片转载自地址

比较差的效果：（而行人估计是没有的，所以想效果好还是需要自己训练一下模型

体验感觉不是很好，用自己的数据训练下肯定会好很多的吧。。。

参考：

1.learnopencv博客地址

2.Github：地址

GOTURN——基于深度学习的物体追踪（OpenCV contrib）相关推荐

物体抓取位姿估計算法綜述_基于深度学习的物体抓取位置估计
主讲题目:基于深度学习的物体抓取位置估计主要内容:机械臂抓取技术简介与入门方法主讲嘉宾:东北大学研究生,主要研究物体六自由度位姿估计,机械臂抓取. 知乎视频www.zhihu.com 往期干货资 ...
1.基于深度学习的知识追踪研究进展_刘铁园
基于深度学习的知识追踪研究进展_刘铁园 1.知识追踪改进方向针对可解释问题的改进针对长期依赖问题的改进针对缺少学习特征问题的改进 2.基于深度学习的知识追踪 DLKT 2.1 符号定义 2.2 ...
目标跟踪（2）GOTURN:基于深度学习的目标跟踪
在这篇文章中,我们将了解一种名为 GOTURN 的基于深度学习的对象跟踪算法. GOTURN 的原始实现是在 Caffe 中,但它已被移植到 OpenCV 跟踪 API,我们将使用这个 API 在 C ...
基于深度学习的物体图像识别
介绍基于深度学习的图像识别,最终实现的是对海量图片数据的学习和准确的识别,不仅如此,我们测试了几种不同的分类模型,并比较预测结果,计算预测准确率,对预测方法进行优化,希望得到一种最高效的预测方法, ...
基于深度学习的物体抓取位置估计
主讲嘉宾: 东北大学研究生,主要研究物体六自由度位姿估计,机械臂抓取. 主要内容: 机械臂抓取技术简介与入门方法 [3D视觉工坊]第一期公开课:机械臂抓取技术简介与入门方法课件获取:在公众号「3D视 ...
基于深度学习的物体识别系统
1)enhance from PIL import Image, ImageEnhance import os def turn_left_rigth(img): return img.tra ...
中科院张士峰：基于深度学习的通用物体检测算法对比探索
https://www.toutiao.com/a6674792954369933838/ 人工智能论坛如今浩如烟海,有硬货.有干货的讲座却百里挑一.由中国科学院大学主办,中国科学院大学学生会承办,读 ...
物体识别_深度学习在物体识别中的应用探讨：以ImageNet和人脸识别为例
ImageNet图像分类深度学习在物体识别中最重要的进展体现在ImageNet ILSVRC挑战中的图像分类任务.传统计算机视觉方法在此测试集上最低的错误率是26.172%.2012年,欣顿的研究小 ...
基于深度学习的细粒度分类调研1
细粒度分类: 细粒度分类(识别)的概念其实非常简单,即模型需要识别非常精细的子类别.一般识别出物体的大类别(比如:计算机.手机.水杯等)较易,但如果进一步去判断更为精细化的物体分类名称,则难度极大. ...

GOTURN——基于深度学习的物体追踪（OpenCV contrib）

前言

1.下载模型

2.配置OpenCV_contrib环境

3.简单粗暴的代码

GOTURN——基于深度学习的物体追踪（OpenCV contrib）相关推荐

最新文章

热门文章

GOTURN——基于深度学习的物体追踪 （OpenCV contrib）

前言

1.下载模型

2.配置OpenCV_contrib环境

3.简单粗暴的代码

GOTURN——基于深度学习的物体追踪 （OpenCV contrib）相关推荐

最新文章

热门文章

GOTURN——基于深度学习的物体追踪（OpenCV contrib）

GOTURN——基于深度学习的物体追踪（OpenCV contrib）相关推荐