机器学习进阶-目标跟踪-KCF目标跟踪方法 1.cv2.multiTracker_create(构造选框集合) 2. cv2.TrackerKCF_create(获得KCF追踪器) 3. cv2.re

1. tracker = cv2.multiTracker_create() 获得追踪的初始化结果

2.cv2.TrackerKCF_create() 获得KCF追踪器

3.cv2.resize(frame, (w, h), cv2.INTER_AEAR)  # 进行图像大小的重新变化
参数说明:frame表示输入图片,(w, h) 表示变化后的长和宽, cv2.INTER_AEAR表示插值的方法

4.cv2.selectROI(‘Frame’, frame, fromCenter=False,showCrosshair) 在图像上进行选框操作
参数说明:‘Frame'表示图片的名字,frame表示读取的图片,fromCenter表示选框的起点是否在中心位置,showCrosshair表示是否展示选框

KCF是一种鉴别式追踪方法,这类方法一般在追踪过程中训练一个目标检测器,使用目标检测器与预测下一个阶段预测位置是否是目标,然后使用新检测结果去跟新训练集而跟新目标检测其

 

KCF贡献

1.使用脊回归训练目标检测器,成功利用循环矩阵在傅里叶空间对角化的性质,将矩阵的运算转换为向量的Hadamad积,即元素的点乘,大大降低了运算量,提高了运算速度

    1.脊回归,在原有的基础上引入了λ|w^2| 为了防止过拟合的出现,即w的分布更小且更加均匀(0, 0, 0, 1) 和 (0.25, 0.25, 0.25, 0.25), 对w进行求导,导数为0,解得w

机器学习进阶-目标跟踪-KCF目标跟踪方法 1.cv2.multiTracker_create(构造选框集合) 2. cv2.TrackerKCF_create(获得KCF追踪器) 3. cv2.re

   2.循环矩阵,即训练图像都是通过目标样本的循环位移得到的, 通过PxQ进行x轴和y轴的平移变化

   机器学习进阶-目标跟踪-KCF目标跟踪方法 1.cv2.multiTracker_create(构造选框集合) 2. cv2.TrackerKCF_create(获得KCF追踪器) 3. cv2.re

    3.傅氏空间矩阵对角化, 即对上述的循环空间做一个傅里叶变化

机器学习进阶-目标跟踪-KCF目标跟踪方法 1.cv2.multiTracker_create(构造选框集合) 2. cv2.TrackerKCF_create(获得KCF追踪器) 3. cv2.re

     4. 将循环矩阵x带入到脊回归进行求解

机器学习进阶-目标跟踪-KCF目标跟踪方法 1.cv2.multiTracker_create(构造选框集合) 2. cv2.TrackerKCF_create(获得KCF追踪器) 3. cv2.re

最后做的一个总结部分

机器学习进阶-目标跟踪-KCF目标跟踪方法 1.cv2.multiTracker_create(构造选框集合) 2. cv2.TrackerKCF_create(获得KCF追踪器) 3. cv2.re

参考链接:https://www.cnblogs.com/YiXiaoZhou/p/5925019.html

代码:

第一步: 进行 argparse参数设置

第二步:使用字典构造已有的追踪目标的方法

第三步:使用cv2.multiTracker_create() 构造出追踪器集合trackers

第四步:使用cv2.capture进行视频的读入

第五步:while True循环,使用cv2.read() 读入图片

第六步:使用cv2.resize进行图片的放缩变换

第七步:trackers.apply(frame)对图片运用追踪算法

第八步:循环boxes对图像进行画图操作
第九步:展示图片,

第十步:并判断按键,如果按s,进行box的添加,如果按ESC键就退出

第十一步:如果按s,使用box = cv2.selectROI()进行区域的选择,并使用trackers.add将追踪器和图片,以及区域进行添加

import argparse
import cv2
import time

# 第一步进行参数设置
ap = argparse.ArgumentParser()
ap.add_argument('-v', '--video', type=str, default='videos/soccer_01.mp4',
                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已经实现的追踪算法
# 第二步:构造cv2已有追踪算法的列表
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
}

# 第三步:实例化追踪器
# 实例化Opencv's multi-object tracker
trackers = cv2.MultiTracker_create()

# 第四步:使用cv2.VideoCapture读取视频
vs = cv2.VideoCapture(args['video'])

while True:
    # 第五步:读入第一张图片
    frame = vs.read()
    frame = frame[1]
    # 到头了就结束
    if frame is None:
        break

    # 第六步:使用cv2.resize对图像进行长宽的放缩操作
    h, w = frame.shape[:2]
    width = 600
    r = width / float(w)
    dim = (width, int(r * h))
    frame = cv2.resize(frame, dim, cv2.INTER_AREA)

    # 第七步:使用trackers.apply获得矩形框
    (success, boxes) = trackers.update(frame)

    # 第八步:循环多组矩形框,进行画图操作
    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)

    # 第九步:进行图像展示
    cv2.imshow('Frame', frame)

    # 第十步:判断按键,如果是s的话,进行画出新的box
    key = cv2.waitKey(100) & 0xff

    if key == ord('s'):
        # 第十一步:选择一个区域,按s键,并将tracker追踪器,frame和box传入到trackers中
        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()

机器学习进阶-目标跟踪-KCF目标跟踪方法 1.cv2.multiTracker_create(构造选框集合) 2. cv2.TrackerKCF_create(获得KCF追踪器) 3. cv2.re  机器学习进阶-目标跟踪-KCF目标跟踪方法 1.cv2.multiTracker_create(构造选框集合) 2. cv2.TrackerKCF_create(获得KCF追踪器) 3. cv2.re

                                    区域选择                                                                                                   追踪效果

上一篇:Debian Security Advisory(Debian安全报告) DSA-4403-1


下一篇:分布式文件服务器FastDFS