ccot 目标跟踪全称_目标跟踪--CamShift
转载请注明出处!
!!
目标跟踪--CamShift
CamShift全称是ContinuouslyAdaptive Mean Shift,即连续自适应的MeanShift算法。而MeanShift算法,首先得对MeanShift算法有个初步的了解,可以參考这里。而CamShift是在MeanShift的基础上,依据上一帧的结果。来调整下一帧的中心位置和窗体大小,所以。当跟踪的目标在视频中发生变化时,可以对这个变化有一定的调整。
OpenCV自带样例中的camShift算法,能够分为三个部分:(引用自这里 http://blog.csdn.net/carson2005/article/details/7439125)
一、计算色彩投影图(反向投影):
(1)为了降低光照变化对目标跟踪的影响,首先将图像从RGB颜色空间转换到HSV颜色空间。
(2)对H分量进行直方图统计,直方图代表了不同H分量取值出现的概率。或者说能够据此查找出H分量的大小为x时的概率或像素个数。即,得到颜色概率查找表;
(3)将图像中每一个像素的值用其颜色出现的概率进行替换,由此得到颜色概率分布图;
以上三个步骤称之为反向投影,须要提醒的是。颜色概率分布图是一个灰度图像。
二、meanShift寻优
前面提到过meanShift算法(http://blog.csdn.net/carson2005/article/details/7337432)是一种非參数概率密度预计方法,它通过不断迭代计算得到最优搜索窗体的位置和大小。
三、camShift跟踪算法
前面提到,camShift事实上就是在视频序列的每一帧其中都运用meanShift,并将上一帧的meanShift结果作为下一帧的初始值,如此不断循环迭代,就能够实现目标的跟踪了。
在openCV中自带有camShift函数。老看一下实现,代码中有部分解释。(凝视功劳来自http://www.cnblogs.com/tornadomeet/archive/2012/03/15/2398769.html)
#include "opencv2/video/tracking.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
#include
#include
using namespace cv;
using namespace std;
Mat image;
bool backprojMode = false; //表示是否要进入反向投影模式。ture表示准备进入反向投影模式
bool selectObject = false;//代表是否在选要跟踪的初始目标,true表示正在用鼠标选择
int trackObject = 0; //代表跟踪目标数目
bool showHist = true;//是否显示直方图
Point origin;//用于保存鼠标选择第一次单击时点的位置
Rect selection;//用于保存鼠标选择的矩形框
int vmin = 10, vmax =256, smin = 30;
void onMouse(int event, int x, int y, int, void*)
{
if (selectObject)//仅仅有当鼠标左键按下去时才有效,然后通过if里面代码就能够确定所选择的矩形区域selection了
{
selection.x = MIN(x, origin.x);//矩形左上角顶点坐标
selection.y = MIN(y, origin.y);
selection.width = std::abs(x - origin.x);//矩形宽
selection.height = std::abs(y - origin.y);//矩形高
selection &= Rect(0, 0, image.cols,image.rows);//用于确保所选的矩形区域在图片范围内
}
switch (event)
{
case CV_EVENT_LBUTTONDOWN:
origin = Point(x, y);
selection = Rect(x, y, 0, 0);//鼠标刚按下去时初始化了一个矩形区域
selectObject = true;
break;
case CV_EVENT_LBUTTONUP:
selectObject = false;
if (selection.width> 0 && selection.height > 0)
trackObject = -1;
break;
}
}
void help()
{
cout << "\nThis is ademo that shows mean-shift based tracking\n"
"You select acolor objects such as your face and it tracks it.\n"
"This readsfrom video camera (0 by default, or the camera number the user enters\n"
"Usage:\n"
" ./camshiftdemo [camera number]\n";
cout << "\n\nHot keys:\n"
"\tESC - quitthe program\n"
"\tc - stop thetracking\n"
"\tb - switchto/from backprojection view\n"
"\th -show/hide object histogram\n"
"\tp - pausevideo\n"
"To initializetracking, select the object with mouse\n";
}
const char* keys =
{
"{1| | 0 |camera number}"
};
int main(int argc, const char** argv)
{
help();
VideoCapture cap; //定义一个摄像头捕捉的类对象
Rect trackWindow;
RotatedRect trackBox;//定义一个旋转的矩阵类对象
int hsize = 16;
float hranges[] = { 0, 180 };//hranges在后面的计算直方图函数中要用到
const float* phranges = hranges;
CommandLineParser parser(argc, argv, keys);//命令解析器函数
int camNum = parser.get("0");
cap.open(camNum);//直接调用成员函数打开摄像头
if (!cap.isOpened())
{
help();
cout << "***Could notinitialize capturing...***\n";
cout << "Currentparameter's value: \n";
parser.printParams();
return -1;
}
namedWindow("Histogram", 0);
namedWindow("CamShiftDemo",0);
setMouseCallback("CamShiftDemo",onMouse, 0);//消息响应机制
createTrackbar("Vmin", "CamShiftDemo",&vmin, 256, 0);//createTrackbar函数的功能是在相应的窗体创建滑动条,滑动条Vmin,vmin表示滑动条的值,最大为256
createTrackbar("Vmax", "CamShiftDemo",&vmax, 256, 0);//最后一个參数为0代表没有调用滑动拖动的响应函数
createTrackbar("Smin", "CamShift Demo", &smin, 256,0);//vmin,vmax,smin初始值分别为10,256,30
Mat frame, hsv, hue, mask, hist, histimg = Mat::zeros(200, 320, CV_8UC3), backproj;
bool paused = false;
for (;;)
{
if (!paused)//没有暂停
{
cap >> frame;//从摄像头抓取一帧图像并输出到frame中
if (frame.empty())
break;
}
frame.copyTo(image);
if (!paused)//没有按暂停键
{
cvtColor(image, hsv, CV_BGR2HSV);//将rgb摄像头帧转化成hsv空间的
if (trackObject)//trackObject初始化为0,或者按完键盘的'c'键后也为0,当鼠标单击松开后为-1
{
int _vmin = vmin, _vmax= vmax;
//inRange函数的功能是检查输入数组每个元素大小是否在2个给定数值之间。能够有多通道,mask保存0通道的最小值,也就是h分量
//这里利用了hsv的3个通道,比較h,0~180,s,smin~256,v,min(vmin,vmax),max(vmin,vmax)。假设3个通道都在相应的范围内,则
//mask相应的那个点的值全为1(0xff),否则为0(0x00).
inRange(hsv, Scalar(0, smin, MIN(_vmin, _vmax)),
Scalar(180, 256, MAX(_vmin, _vmax)),mask);
int ch[] = { 0, 0 };
hue.create(hsv.size(),hsv.depth());//hue初始化为与hsv大小深度一样的矩阵,色调的度量是用角度表示的,红绿蓝之间相差120度,反色相差180度
mixChannels(&hsv, 1,&hue, 1, ch, 1);//将hsv第一个通道(也就是色调)的数拷贝到hue中,0索引数组
if (trackObject <0)//鼠标选择区域松开后,该函数内部又将其赋值1
{
//此处的构造函数roi用的是Mat hue的矩阵头。且roi的数据指针指向hue,即共用同样的数据,select为其感兴趣的区域
Mat roi(hue,selection), maskroi(mask, selection);//mask保存的hsv的最小值
//calcHist()函数第一个參数为输入矩阵序列,第2个參数表示输入的矩阵数目。第3个參数表示将被计算直方图维数通道的列表,第4个參数表示可选的掩码函数
//第5个參数表示输出直方图,第6个參数表示直方图的维数,第7个參数为每一维直方图数组的大小。第8个參数为每一维直方图bin的边界
calcHist(&roi, 1, 0,maskroi, hist, 1, &hsize, &phranges);//将roi的0通道计算直方图并通过mask放入hist中。hsize为每一维直方图的大小
normalize(hist, hist, 0,255, CV_MINMAX);//将hist矩阵进行数组范围归一化,都归一化到0~255
trackWindow = selection;
trackObject = 1;//仅仅要鼠标选完区域松开后。且没有按键盘清0键'c',则trackObject一直保持为1。因此该if函数仅仅能运行一次,除非又一次选择跟踪区域
histimg = Scalar::all(0);//与按下'c'键是一样的,这里的all(0)表示的是标量所有清0
int binW = histimg.cols/ hsize; //histing是一个200*300的矩阵。hsize应该是每个bin的宽度。也就是histing矩阵能分出几个bin出来
Mat buf(1, hsize, CV_8UC3);//定义一个缓冲单bin矩阵
for (int i = 0; i
buf.at(i) = Vec3b(saturate_cast(i*180. /hsize), 255, 255);//Vec3b为3个char值的向量
cvtColor(buf, buf, CV_HSV2BGR);//将hsv又转换成bgr
for (int i = 0; i
{
int val =saturate_cast(hist.at(i)*histimg.rows/ 255);//at函数为返回一个指定数组元素的參考值
rectangle(histimg, Point(i*binW,histimg.rows), //在一幅输入图像上画一个简单抽的矩形,指定左上角和右下角。并定义颜色,大小,线型等
Point((i + 1)*binW,histimg.rows - val),
Scalar(buf.at(i)), -1, 8);
}
}
calcBackProject(&hue, 1, 0,hist, backproj, &phranges);//计算直方图的反向投影。计算hue图像0通道直方图hist的反向投影,并让入backproj中
backproj &= mask;
//opencv2.0以后的版本号函数命名前没有cv两字了,而且假设函数名是由2个意思的单词片段组成的话。且前面那个片段不够成单词,则第一个字母要
//大写,比方Camshift。假设第一个字母是个单词,则小写。比方meanShift,可是第二个字母一定要大写
RotatedRect trackBox =CamShift(backproj, trackWindow, //trackWindow为鼠标选择的区域。TermCriteria为确定迭代终止的准则
TermCriteria(CV_TERMCRIT_EPS | CV_TERMCRIT_ITER, 10, 1));//CV_TERMCRIT_EPS是通过forest_accuracy,CV_TERMCRIT_ITER
if (trackWindow.area()<= 1) //是通过max_num_of_trees_in_the_forest
{
int cols =backproj.cols, rows = backproj.rows, r = (MIN(cols, rows) + 5) /6;
trackWindow = Rect(trackWindow.x - r,trackWindow.y - r,
trackWindow.x + r,trackWindow.y + r) &
Rect(0, 0, cols, rows);//Rect函数为矩阵的偏移和大小,即第一二个參数为矩阵的左上角点坐标。第三四个參数为矩阵的宽和高
}
if (backprojMode)
cvtColor(backproj, image, CV_GRAY2BGR);//因此投影模式下显示的也是rgb图?
ellipse(image, trackBox, Scalar(0, 0, 255), 3, CV_AA);//跟踪的时候以椭圆为代表目标
}
}
//后面的代码是无论pause为真还是为假都要运行的
else if (trackObject <0)//同一时候也是在按了暂停字母以后
paused = false;
if (selectObject&& selection.width > 0 && selection.height > 0)
{
Mat roi(image,selection);
bitwise_not(roi, roi);//bitwise_not为将每个bit位取反
}
imshow("CamShiftDemo",image);
imshow("Histogram", histimg);
char c = (char)waitKey(10);
if (c == 27) //退出键
break;
switch (c)
{
case 'b': //反向投影模型交替
backprojMode = !backprojMode;
break;
case 'c': //清零跟踪目标对象
trackObject = 0;
histimg = Scalar::all(0);
break;
case 'h': //显示直方图交替
showHist = !showHist;
if (!showHist)
destroyWindow("Histogram");
else
namedWindow("Histogram", 1);
break;
case 'p': //暂停跟踪交替
paused = !paused;
break;
default:
;
}
}
cap.release();
return 0;
}
实验结果:
以摄像头中我的脸为目标,当他移动时,可以跟踪到他。
能够看到我的脸的各色调密度图。
ccot 目标跟踪全称_目标跟踪--CamShift相关推荐
- ccot 目标跟踪全称_一种焊缝跟踪系统的实时姿态估计方法与流程
本发明属于焊接机器人焊缝跟踪领域,特别涉及一种焊缝跟踪系统的实时姿态估计方法. 背景技术: 现在的焊接机器人基本上都是在焊接之前先进行示教,让机器人每次都走一个固定的轨迹,这种方式有一个好处就是重复精 ...
- coco数据集目标检测论文_目标检测coco数据集点滴介绍
目标检测coco数据集点滴介绍 1. COCO数据集介绍 MS COCO 是google 开源的大型数据集, 分为目标检测.分割.关键点检测三大任务, 数据集主要由图片和json 标签文件组成. c ...
- 后台和用户跟踪要点_联系人跟踪应用程序的一些基本要点
后台和用户跟踪要点 There is an astounding amount of misinformation in terms of how contact tracing works in t ...
- ip跳转跟踪命令_在跟踪命令(-T272)的帮助下学习避免身份跳转问题(IDENTITY_CACHE)
ip跳转跟踪命令 In this article, we will examine the Identity Cache feature and the identity jump issue. So ...
- 注意力机制可视化_目标跟踪中的(STAM)时空注意力机制
目标跟踪分为单目标跟踪和多目标跟踪,单目标跟踪较为简单,这里我们只讨论多目标跟踪. 多目标跟踪的遮挡问题 多目标跟踪时特别容易发生目标间的相互遮挡,从而导致严重的预测偏移问题,如下图所示: 红色框的行 ...
- opencv目标跟踪概述和人脸跟踪
概述 opencv内部实现了一些单目标跟踪算法,可以很方便的使用. 这里说的目标跟踪不是多目标跟踪,往往是需要人工或程序给定初始目标位置. 资源及跟踪算法介绍 目前看到的比较好的opencv目标跟踪算 ...
- MAML-Tracker:用目标检测思路做目标跟踪?小样本即可得高准确率丨CVPR 2020
来源 | 微软研究院AI头条(ID: MSRAsia) 编者按:目标检测与目标跟踪这两个任务有着密切的联系.针对目标跟踪任务,微软亚洲研究院提出了一种通过目标检测技术来解决的新视角,采用简洁.统一而高 ...
- CVPR 2020丨MAML-Tracker: 用目标检测思路做目标跟踪? 小样本即可得高准确率
编者按:目标检测与目标跟踪这两个任务有着密切的联系.针对目标跟踪任务,微软亚洲研究院提出了一种通过目标检测技术来解决的新视角,采用简洁.统一而高效的"目标检测+小样本学习"框架,在 ...
- 目标跟踪方法--基于区域跟踪
一.理论 该方法的基本思想是将检测阶段获得的活动区域作为匹配的模板,在系统中设定一个匹配度量值:在相邻帧图像中,全图搜索匹配模板,匹配度量值取极值的位置就是最佳的匹配点.通常对于彩色图像序列而言,可采 ...
最新文章
- 【数据安全案例】交警计算机系统再遭***,交通违法记录随意删除
- pip安装的库导入pycharm中
- crond服务及用法
- 微软职位内部推荐-Software Engineer II-Senior Software Engineer for Satori
- db模块未绑定 Uncaught TypeError: Cannot read property 'openDatabase' of undefined
- win10任务栏透明_Win7升Win10用不惯?让Win10秒变Win7的利器Start10
- Python之Pygame.rect函数
- 视频解码芯片GM7150BC功能CVBS转BT656/601低功耗替代TVP5150
- manjaro Linux yay常用命令整理大全
- Oracle Data Guard官方说明
- Spring Boot 容器选择 Undertow 而不是 Tomcat Spring Boot 内嵌容器Unde
- 推荐七大写作利器,总有一款适合你
- 神经网络参数量和计算量,神经网络计算公式
- 【正点原子Linux连载】第七十一章 Linux 4G通信实验 -摘自【正点原子】I.MX6U嵌入式Linux驱动开发指南V1.0
- google GMS测试环境搭建详细教程
- mysql+查询触发器+sql_Mysql基本查询、视图、索引、触发器
- 安恒2018.10 level1思路讲解
- 网络信息安全运营方法论 (上)
- idea社区版配置jsp
- MySQL六脉神剑,SQL通关大总结
热门文章
- boost xpressive
- JDK 16 正式发布,一次性发布 17 个新特性,不服不行
- 用cdr制作发光字体
- 广东省中山市第七届小学生信息学邀请赛题解 螺旋方阵
- 基于OptiSystem的LD\LED\EDFA仿真分析
- 31道Android面试题,面试官6个灵魂拷问,快来收藏!
- 药品经营企业计算机系统培训试题,2- 药品经营企业计算机系统培训考试试题
- 08 自制简单翻译词典
- 如何让外网访问你的电脑
- linux购物系统源码,2021.4月LooShop购物商城网站PHP源码运营打包版 PC+手机+微信三站合一 带支付宝微信等第三方在线支付功能...