传统CV算法——基于Opencv的多目标追踪算法

基于 OpenCV 的跟踪算法有多种，每种算法都有其特定的应用场景和优缺点。以下是一些常见的基于 OpenCV 的目标跟踪算法：

1. BOOSTING 跟踪器

• 描述：基于 AdaBoost 算法的跟踪器。它是一种早期的跟踪算法，使用的是基于弱分类器的强分类器方法。
• 优点：适用于初学者，易于理解和实现。
• 缺点：对目标的外观变化不够鲁棒，容易受到遮挡的影响。
• 使用：cv2.TrackerBoosting_create()

2. MIL (Multiple Instance Learning) 跟踪器

• 描述：基于多实例学习的跟踪算法。通过考虑正负样本的集合来提高跟踪的鲁棒性。
• 优点：比 BOOSTING 更鲁棒，尤其是在目标部分遮挡的情况下。
• 缺点：计算开销较大，速度较慢。
• 使用：cv2.TrackerMIL_create()

3. KCF (Kernelized Correlation Filters) 跟踪器

• 描述：基于核相关滤波的跟踪算法。KCF 通过使用循环结构和傅里叶变换，极大地提高了跟踪速度。
• 优点：跟踪速度快，适合实时应用。
• 缺点：对尺度变化不够敏感，对长时间的遮挡不鲁棒。
• 使用：cv2.TrackerKCF_create()

4. TLD (Tracking-Learning-Detection) 跟踪器

• 描述：一种综合了跟踪、学习和检测的算法。TLD 可以检测失败，并自动重新定位目标。
• 优点：适合处理长时间跟踪和目标重新检测。
• 缺点：计算复杂度高，可能较慢。
• 使用：cv2.TrackerTLD_create()

5. MEDIANFLOW 跟踪器

• 描述：基于光流的方法，通过对前后向运动估计进行检查，确保跟踪的可靠性。
• 优点：在目标平滑运动的情况下非常可靠，对失败检测敏感。
• 缺点：对快速运动或突然的运动变化不鲁棒。
• 使用：cv2.TrackerMedianFlow_create()

6. GOTURN 跟踪器

• 描述：基于深度学习的目标跟踪算法。使用一个预训练的神经网络来预测目标的运动。
• 优点：可以处理大范围的目标外观变化。
• 缺点：需要在使用前下载预训练模型，并且依赖于模型的质量。
• 使用：cv2.TrackerGOTURN_create()

7. MOSSE (Minimum Output Sum of Squared Error) 跟踪器

• 描述：基于相关滤波的快速跟踪算法，使用最小化输出误差平方和的滤波器。
• 优点：速度非常快，适合实时应用，特别是在低算力设备上。
• 缺点：对尺度变化和外观变化敏感，鲁棒性一般。
• 使用：cv2.TrackerMOSSE_create()

8. CSRT (Discriminative Correlation Filter with Channel and Spatial Reliability) 跟踪器

• 描述：基于相关滤波器的高级跟踪算法，通过考虑通道和空间可靠性来增强跟踪效果。
• 优点：对尺度变化和旋转更加鲁棒，跟踪精度较高。
• 缺点：相比 KCF，速度稍慢，但在大多数情况下仍能保持实时性能。
• 使用：cv2.TrackerCSRT_create()

不同的跟踪算法各有优劣，选择合适的算法取决于应用场景和需求。例如，KCF 和 MOSSE 适合实时性要求高的应用，而 CSRT 和 GOTURN 在目标外观变化较大时表现更好。OpenCV 提供了一个易于使用的接口，可以根据实际需求轻松切换不同的跟踪算法。

基于原生的追踪

使用OpenCV库实现基于视频的对象追踪。通过以下步骤和Python代码，您将能够选择不同的追踪器，并对视频中的对象进行实时追踪。

步骤 1: 导入必要的库

首先，我们需要导入一些必要的Python库，包括argparse、time、cv2 (OpenCV) 和 numpy。

import argparse
import time
import cv2
import numpy as np

步骤 2: 设置参数解析

使用argparse库来解析命令行参数。我们将指定输入视频文件的路径以及选择的追踪器类型。

ap = argparse.ArgumentParser()
ap.add_argument("-v", "--video", type=str, help="path to input video file")
ap.add_argument("-t", "--tracker", type=str, default="kcf", help="OpenCV object tracker type")
args = vars(ap.parse_args())

步骤 3: 定义支持的追踪器

在OpenCV中，有多种对象追踪器可用。我们将它们存储在一个字典中，便于后续使用。

OPENCV_OBJECT_TRACKERS = {
    "csrt": cv2.TrackerCSRT_create,
    "kcf": cv2.TrackerKCF_create,
    "boosting": cv2.TrackerBoosting_create,
    "mil": cv2.TrackerMIL_create,
    "tld": cv2.TrackerTLD_create,
    "medianflow": cv2.TrackerMedianFlow_create,
    "mosse": cv2.TrackerMOSSE_create
}

步骤 4: 初始化追踪器和视频流

我们初始化一个多对象追踪器并打开视频文件。

trackers = cv2.MultiTracker_create()
vs = cv2.VideoCapture(args["video"])

步骤 5: 处理视频帧

接下来，我们读取视频中的每一帧，并对其进行缩放处理，然后使用追踪器更新追踪状态，并绘制追踪的边框。

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, interpolation=cv2.INTER_AREA)
    (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[args["tracker"]]()
        trackers.add(tracker, frame, box)
    elif key == 27:
        break
vs.release()
cv2.destroyAllWindows()

总结

import argparse
import time
import cv2
import numpy as np

# 配置参数
ap = argparse.ArgumentParser()
ap.add_argument("-v", "--video", type=str,
	help="path to input video file")
ap.add_argument("-t", "--tracker", type=str, default="kcf",
	help="OpenCV object tracker type")
args = vars(ap.parse_args())

# opencv已经实现了的追踪算法

OPENCV_OBJECT_TRACKERS = {

	"csrt": cv2.TrackerCSRT_create,
	"kcf": cv2.TrackerKCF_create,
	"boosting": cv2.TrackerBoosting_create,
	"mil": cv2.TrackerMIL_create,
	"tld": cv2.TrackerTLD_create,
	"medianflow": cv2.TrackerMedianFlow_create,
	"mosse": cv2.TrackerMOSSE_create
}

# 实例化OpenCV's multi-object tracker
trackers = cv2.MultiTracker_create()
vs = cv2.VideoCapture(args["video"])

# 视频流
while True:
	# 取当前帧
	frame = vs.read()
	# (true, data)
	frame = frame[1]
	# 到头了就结束
	if frame is None:
		break

	# resize每一帧
	(h, w) = frame.shape[:2]
	width=600
	r = width / float(w)
	dim = (width, int(h * r))
	frame = cv2.resize(frame, dim, interpolation=cv2.INTER_AREA)

	# 追踪结果
	(success, boxes) = trackers.update(frame)

	# 绘制区域
	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)

	# 显示
	cv2.imshow("Frame", frame)
	key = cv2.waitKey(100) & 0xFF

	if key == ord("s"):
		# 选择一个区域，按s
		box = cv2.selectROI("Frame", frame, fromCenter=False,
			showCrosshair=True)

		# 创建一个新的追踪器
		tracker = OPENCV_OBJECT_TRACKERS[args["tracker"]]()
		trackers.add(tracker, frame, box)

	# 退出
	elif key == 27:
		break
vs.release()
cv2.destroyAllWindows()

通过上述步骤和代码，可以实现一个简单的视频对象追踪应用，该应用支持多种追踪算法，并允许用户实时选择和追踪视频中的对象。这种技术在许多领域都有广泛的应用，包括安全监控、人机交互和自动驾驶车辆等。

检测模型的跟踪

检测模型 使用Python、OpenCV、dlib和多进程处理视频中的实时对象跟踪。以下是具体步骤及相关代码片段：

1. 设置和参数解析

• 导入必要的库，并设置参数解析，处理输入如视频文件路径和模型配置。

from utils import FPS
import multiprocessing
import numpy as np
import argparse
import dlib
import cv2

2. 初始化深度学习模型

• 加载预训练的Caffe模型进行对象检测。

net = cv2.dnn.readNetFromCaffe(args["prototxt"], args["model"])

3. 视频流处理

• 从指定的文件开始视频捕捉，并准备处理帧。

vs = cv2.VideoCapture(args["video"])

4. 帧处理

• 调整帧大小并转换为RGB格式进行处理。
• 如果检测到的对象置信度高于阈值，则初始化对象跟踪。

rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)

5. 对象检测和跟踪

• 对初次检测到的对象创建跟踪器，并使用多进程处理。

p = multiprocessing.Process(target=start_tracker, args=(bb, label, rgb, iq, oq))
p.daemon = True
p.start()

6. 追踪器更新和结果输出

• 每个跟踪器获取新的帧，更新位置并输出跟踪结果。

outputQueue.put((label, (startX, startY, endX, endY)))

7. 视频输出和显示

• 如果指定了输出文件，将处理后的帧写入视频文件。
• 显示处理后的帧并在用户按下ESC键时停止。

writer.write(frame)
key = cv2.waitKey(1) & 0xFF
if key == 27:
    break

8. 清理和资源释放

• 停止FPS计时，释放视频文件和窗口资源。

fps.stop()
writer.release()
cv2.destroyAllWindows()
vs.release()

代码地址：多目标追踪