ITKeyword,专注技术干货聚合推荐

注册 | 登录

OpenCV目标跟踪(三)-camshift算法

w12345_ww 分享于 2015-04-08

推荐:OpenCV:利用Camshift算法进行彩色目标的跟踪

<span style="font-size:14px;">#include <opencv\cv.h>#include <opencv\highgui.h>#include <stdio.h>#include <ctype.h>IplImage *image = 0, *hsv = 0

2020腾讯云共同战“疫”,助力复工(优惠前所未有!4核8G,5M带宽 1684元/3年),
地址https://cloud.tencent.com/act/cps/redirect?redirect=1054

2020阿里云最低价产品入口,含代金券(新老用户有优惠),
地址https://www.aliyun.com/minisite/goods

这两天主要在学习目标跟踪的典型算法-camshift算法,在讨论和介绍camshift算法之前,我们先来讨论下meanshift算法。 (1)meanshift算法 meanshift算法是一种在一组数据的密度分布中寻找局部极值稳定的方法。具体的数学原理主要是基于概率统计的思想,略有点复杂,下面给出一篇博文链接,感兴趣的话可以去研究下meanshift算法背后的概率统计原理。 http://blog.csdn.net/jinshengtao/article/details/30258833 meanshift算法的主要步骤是: a.选择搜索窗口 窗口的初始位置; 窗口的类型(均匀、多项式、指数或者高斯类型); 窗口的形状(对称的或歪斜的,可能旋转的,圆形或矩形); 窗口的大小(超出窗口大小则被截去)。 b.计算窗口(可能是带权重的)的重心。 c.将窗口的中心设置在计算出的重心处。 d.返回到b步,直到窗口的位置不再变化。 上述算法步骤中的窗口,实则就是上文中博文链接的数学原理中的核函数,meanshift算法与核密度估计的规则有关。如果在足够的点处有足够合适的带权重和尺度的核,数据分布便可以完全根据这些核来表示。而基于meanshift算法的目标跟踪,通过分别计算目标区域和候选区域内像素的特征值概率得到关于目标模型和候选模型的描述,然后利用相似函数度量初始帧目标模型和当前帧的候选模版的相似性,选择使相似函数最大的候选模型并得到关于目标模型的Meanshift向量,这个向量正是目标由初始位置向正确位置移动的向量。由于均值漂移算法的快速收敛性,通过不断迭代计算Meanshift向量,算法最终将收敛到目标的真实位置,达到跟踪的目的。 下面给出个直观的图描述这个跟踪的过程: 在OpenCV中有函数cvMeanShift(),下面简要介绍下这个函数中的参数。 int cvMeanShift(

const CvArr* prob_image,//单通道图像

CvRect window,//指定初始位置,大小为核窗口的大小

CvTermCriteria criteria,//迭代终止条件

CvConnectedComp *comp//连接部件,comp->rect中包含了收敛后搜索窗口的位置等信息); (2)camshift算法 camshift是“continuously adaptive mean-shift”的缩写,顾名思义,camshift算法是基于meanshift算法的,与meanshift算法不同之处在于camshift搜索窗口会进行自我调整,更有利于对目标的跟踪,因此在OpenCV中cvCamShift()函数中的参数列表中相应的给出了box参数,在跟踪的应用中,会把由前一帧计算出的新尺寸box作为下一帧的window。 int cvCamShift(

const CvArr* prob_img,

CvRect window,

CvTermCriteria criteria,

CvConnectedComp* comp,

CvBox2D* box=NULL); 下面给出OpenCV中自带的工程示例程序camshiftdemo程序,这个程序的大致思路是这样的:通过计算目标HSV空间下的HUE分量直方图,通过直方图反向投影得到目标像素的概率分布,然后调用CV库中的camshift算法,自动跟踪并调整目标窗口的中心位置与大小。下面给出这个demo的完整程序段和注释: /* OpenCV中自带的Camshiftdemo,程序的思想是通过计算目标HSV空间下的HUE分量直方图,通过直方图反向投影 得到目标像素的概率分布,然后通过调用CV库中的Camshift算法,自动跟踪并调整目标窗口的中心位置和大小。 */#include "opencv2/video/tracking.hpp"#include "opencv2/imgproc/imgproc.hpp"#include "opencv2/highgui/highgui.hpp"#include <iostream>#include <ctype.h>using namespace cv;using namespace std;Mat image;bool backprojMode = false;//表示是否要进入反向投影模式,true则表示要进入反向投影模式bool selectObject = false;//表是否在选中要跟踪的初始目标,true表示正在用鼠标选择要跟踪的目标int trackObject = 0;//跟踪目标的数目bool showHist = true;//是否显示HUE分量直方图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;static void onMouse(int event, int x, int y, int, void*){

if (selectObject)//鼠标左键按下时,则条件为true,在if里面的代码块就是确定所选择的矩形区域selection

{

selection.x = MIN(x, origin.x);

selection.y = MIN(y, origin.y);//矩形左上角顶点的坐标

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区域内

}

switch (event)//鼠标事件

{

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;

}}static void help()//帮助提示文档{

cout << "\nThis is a demo that shows mean-shift based tracking\n"

"You select a color objects such as your face and it tracks it.\n"

"This reads from 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 - quit the program\n"

"\tc - stop the tracking\n"

"\tb - switch to/from backprojection view\n"

"\th - show/hide object histogram\n"

"\tp - pause video\n"

"To initialize tracking, select the object with mouse\n";}const char* keys ={

"{1| | 0 | camera number}"};int main(int argc, const char** argv){

help();

VideoCapture cap;//定义一个摄像头的捕捉类

Rect trackWindow;

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);//命令解析函数

int camNum = parser.get<int>("1");

cap.open(camNum);//直接调用成员函数打开摄像头

if (!cap.isOpened())//摄像头没有打开文档提示

{

help();

cout << "***Could not initialize capturing...***\n";

cout << "Current parameter's value: \n";

parser.printParams();

return -1;

}

namedWindow("Histogram", 0);

namedWindow("CamShift Demo", 0);

setMouseCallback("CamShift Demo", onMouse, 0);//鼠标响应事件

createTrackbar("Vmin", "CamShift Demo", &vmin, 256, 0);//createTrackbar函数的功能是在对应的窗口创建滑动条,滑动条Vmin,vmin表示滑动条的值,最大为256

createTrackbar("Vmax", "CamShift Demo", &vmax, 256, 0);//最后一个参数为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

推荐:Camshift算法原理及其Opencv实现

Camshift原理 camshift利用目标的颜色直方图模型将图像转换为颜色概率分布图,初始化一个搜索窗的大小和位置,并根据上一帧得到的结果自适应调整搜索窗口的位置

(;;)

{

if (!paused)//不暂停

{

cap >> frame;//从摄像头抓取一帧图像并输入到frame中

if (frame.empty())

break;

}

frame.copyTo(image);

if (!paused)

{

cvtColor(image, hsv, COLOR_BGR2HSV);//将rgb摄像头帧转化成hsv空间的

if (trackObject)//trackObject初始化为0,或者键盘的c按完后也为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,可以是多通道的,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,比较h,0~180,s,smin~256,v,min(vmin,vmax),max(vmin,vmax)。如果3个通道都在对应的范围内,则

//mask对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)的数复制到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,即共用相同的数据,select为其感兴趣的区域

Mat roi(hue, selection), maskroi(mask, selection);

//calcHist()函数第一个参数为输入矩阵序列,第2个参数表示输入的矩阵数目,第3个参数表示将被计算直方图维数通道的列表,第4个参数表示可选的掩码函数

//第5个参数表示输出直方图,第6个参数表示直方图的维数,第7个参数为每一维直方图数组的大小,第8个参数为每一维直方图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;//只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函数只能执行一次,除非重新选择跟踪区域

histimg = Scalar::all(0);//与按下‘c’键是一样的,这里的all(0)表示的是标量全部清0

int binW = histimg.cols / hsize;//histing是一个200*300的矩阵,hsize应该是每一个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 < hsize; i++)//saturate_case函数为从一个初始类型准确变换到另一个初始类型

buf.at<Vec3b>(i) = Vec3b(saturate_cast<uchar>(i*180. / hsize), 255, 255);

cvtColor(buf, buf, CV_HSV2BGR);//hsv又转换成bgr

for (int i = 0; i < hsize; i++)

{

int val = saturate_cast<int>(hist.at<float>(i)*histimg.rows / 255);//at函数为返回一个指定数组元素的参考值

//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

rectangle(histimg, Point(i*binW, histimg.rows),

Point((i + 1)*binW, histimg.rows - val),

Scalar(buf.at<Vec3b>(i)), -1, 8);

}

}

//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

calcBackProject(&hue, 1, 0, hist, backproj, &phranges);

backproj &= mask;

RotatedRect trackBox = CamShift(backproj, trackWindow,

TermCriteria(CV_TERMCRIT_EPS | CV_TERMCRIT_ITER, 10, 1)); //trackWindow为鼠标选择的区域,TermCriteria为确定迭代终止的准则

if (trackWindow.area() <= 1)

{

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);

}

if (backprojMode)

cvtColor(backproj, image, COLOR_GRAY2BGR);

ellipse(image, trackBox, Scalar(0, 0, 255), 3, CV_AA);//跟踪的时候以椭圆为代表目标

}

}

else if (trackObject < 0)

paused = false;

if (selectObject && selection.width > 0 && selection.height > 0)

{

Mat roi(image, selection);

bitwise_not(roi, roi);// bitwise_not为将每一个bit位取反

}

imshow("CamShift Demo", 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:

;

}

}

return 0;} camshift算法相对于meanshift算法来说,有很多的优点,在工程实践中经常更能因为随时可以变化搜索窗口而被广泛使用。这个算法对于纯色物体在背景下跟踪效果是非常好的。但是如果背景的颜色和目标相近,或者是目标与附近物体的色调相近,则camshift算法的跟踪效果就会变差,会把相近的颜色也包含进来,导致跟踪窗口变大,甚至会扩大到整个视频区域。

推荐:目标跟踪学习笔记_1(opencv中meanshift和camshift例子的应用)

      在这一节中,主要讲目标跟踪的一个重要的算法Camshift,因为它是连续自使用的meanShift,所以这2个函数opencv中都有,且都很重要。为了让大家先达到一个

这两天主要在学习目标跟踪的典型算法-camshift算法,在讨论和介绍camshift算法之前,我们先来讨论下meanshift算法。 (1)meanshift算法 meanshift算法是一种在一组数据的密度分布中寻找局部极

相关阅读排行


相关内容推荐

最新文章

×

×

请激活账号

为了能正常使用评论、编辑功能及以后陆续为用户提供的其他产品,请激活账号。

您的注册邮箱: 修改

重新发送激活邮件 进入我的邮箱

如果您没有收到激活邮件,请注意检查垃圾箱。