Posted in Python onNovember 22, 2019
前面学习过Meanshift算法,在观察这个结果标记时,会发现有这样一个问题,如下图:
汽车比较远时,用一个很小的窗口就可以把它框住,这是符合近大远小的投影原理,当比较近的时候如下:
相同大小的窗口已经不能包围它了,那么这样跟踪目标对象就成为了一个问题,怎么样来更改它呢?那么就是Camshift (Continuously Adaptive Meanshift)算法引入的原因了。同时还会有一个问题,怎么样判断物体旋转的方向,这个算法也会解决这样的问题。这个算法发表在1998年的论文《Computer Vision Face Tracking for Use in a Perceptual User Interface》里。
这个算法,首先应用meanshift找到最大密度,然后再更新窗口的大小,接着计算最适合外包椭圆;如果不合适又进入一轮迭代过程。直满足meanshift的条件,并且窗口大小也合适为止。
Camshift函数返回两个值,第一个值ret是一个旋转的窗口,第二个值是窗口搜索位置给下一次搜索使用的。例子如下:
#python 3.7.4,opencv4.1 #蔡军生 https://blog.csdn.net/caimouse/article/details/51749579 # import numpy as np import cv2 from matplotlib import pyplot as plt capture = cv2.VideoCapture(1) if not capture.isOpened: print('Unable to open: ') exit(0) #获取第一帧图片 ret,frame = capture.read() #设置目标窗口 #读取文件 find = cv2.imread('luohu1.png') h,w = find.shape[:2] roi = find[10: 120, 10: 120] x = 10 y = 10 width = 120 - x height = 120 - y track_window = (x, y, w, h) print(track_window) #跟踪目标 hsv_roi = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV) mask = cv2.inRange(hsv_roi, np.array((0., 60.,32.)), np.array((180.,255.,255.))) roi_hist = cv2.calcHist([hsv_roi],[0],mask,[180],[0,180]) #计算直方图 cv2.normalize(roi_hist,roi_hist,0,255,cv2.NORM_MINMAX) #设置迭代条件,每10移动一点 term_crit = ( cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 1 ) while(1): ret, frame = capture.read() if ret == True: hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) dst = cv2.calcBackProject([hsv],[0],roi_hist,[0,180],1)#反向投影 #使用 meanshift获得新位置 ret, track_window = cv2.CamShift(dst, track_window, term_crit) #显示标记 pts = cv2.boxPoints(ret) pts = np.int0(pts) img2 = cv2.polylines(frame,[pts],True, (255,0,0),2) cv2.imshow('img2',img2) cv2.imshow("dst", dst) cv2.imshow("roi", roi) keyboard = cv2.waitKey(1) if keyboard == ord('q') or keyboard == ord('Q'): break else: break capture.release() cv2.destroyAllWindows()
结果输出如下:
比较远的照片
比较近的照片
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。
在OpenCV里使用Camshift算法的实现
- Author -
caimouse声明:登载此文出于传递更多信息之目的,并不意味着赞同其观点或证实其描述。
Reply on: @reply_date@
@reply_contents@