opencv 光流法对运动目标跟踪Video
2013-08-18 00:32
274 查看
首先利用goodFeaturesToTrack函数得到图像中的强边界作为跟踪的特征点,接下来要调用calcOpticalFlowPyrLK函数,输入两幅连续的图像,并在第一幅图像里选择一组特征点,输出为这组点在下一幅图像中的位置。再把得到的跟踪结果过滤一下,去掉不好的特征点。再把特征点的跟踪路径标示出来。
测试视频文件:
birk.rar
code:
测试视频文件:
birk.rar
code:
#include <opencv2/video/video.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/core/core.hpp> #include <iostream> #include <cstdio> using namespace std; using namespace cv; void tracking(Mat &frame, Mat &output); bool addNewPoints(); bool acceptTrackedPoint(int i); string window_name = "optical flow tracking"; Mat gray; // 当前图片 Mat gray_prev; // 预测图片 vector<Point2f> points[2]; // point0为特征点的原来位置,point1为特征点的新位置 vector<Point2f> initial; // 初始化跟踪点的位置 vector<Point2f> features; // 检测的特征 int maxCount = 500; // 检测的最大特征数 double qLevel = 0.01; // 特征检测的等级 double minDist = 10.0; // 两特征点之间的最小距离 vector<uchar> status; // 跟踪特征的状态,特征的流发现为1,否则为0 vector<float> err; int main() { Mat frame; Mat result; // CvCapture* capture = cvCaptureFromCAM( -1 ); // 摄像头读取文件开关 VideoCapture capture("C:\\Users\\zxl\\Desktop\\bike.avi"); if(capture.isOpened()/*capture*/) // 摄像头读取文件开关 { while(true) { // frame = cvQueryFrame( capture ); // 摄像头读取文件开关 capture >> frame; if(!frame.empty()) { tracking(frame, result); } else { printf(" --(!) No captured frame -- Break!"); break; } int c = waitKey(100); if( (char)c == 27 ) { break; } } } return 0; } ////////////////////////////////////////////////////////////////////////// // function: tracking // brief: 跟踪 // parameter: frame 输入的视频帧 // output 有跟踪结果的视频帧 // return: void ////////////////////////////////////////////////////////////////////////// void tracking(Mat &frame, Mat &output) { cvtColor(frame, gray, CV_BGR2GRAY); frame.copyTo(output); // 添加特征点 if (addNewPoints()) { goodFeaturesToTrack(gray, features, maxCount, qLevel, minDist); points[0].insert(points[0].end(), features.begin(), features.end()); initial.insert(initial.end(), features.begin(), features.end()); } if (gray_prev.empty()) { gray.copyTo(gray_prev); } // l-k光流法运动估计 calcOpticalFlowPyrLK(gray_prev, gray, points[0], points[1], status, err); // 去掉一些不好的特征点 int k = 0; for (size_t i=0; i<points[1].size(); i++) { if (acceptTrackedPoint(i)) { initial[k] = initial[i]; points[1][k++] = points[1][i]; } } points[1].resize(k); initial.resize(k); // 显示特征点和运动轨迹 for (size_t i=0; i<points[1].size(); i++) { line(output, initial[i], points[1][i], Scalar(0, 0, 255)); circle(output, points[1][i], 3, Scalar(255, 0, 0), -1); } // 把当前跟踪结果作为下一此参考 swap(points[1], points[0]); swap(gray_prev, gray); imshow(window_name, output); } ////////////////////////////////////////////////////////////////////////// // function: addNewPoints // brief: 检测新点是否应该被添加 // parameter: // return: 是否被添加标志 ////////////////////////////////////////////////////////////////////////// bool addNewPoints() { return points[0].size() <= 10; } ////////////////////////////////////////////////////////////////////////// // function: acceptTrackedPoint // brief: 决定哪些跟踪点被接受 // parameter: // return: ////////////////////////////////////////////////////////////////////////// bool acceptTrackedPoint(int i) { return status[i] && ((abs(points[0][i].x - points[1][i].x) + abs(points[0][i].y - points[1][i].y)) > 2); }
相关文章推荐
- OpenCV学习笔记(二十八)——光流法对运动目标跟踪Video
- OpenCV学习笔记(二十八)——光流法对运动目标跟踪Video
- OpenCV之光流法跟踪运动目标
- 光流法对运动目标跟踪Video
- OpenCV学习笔记(二十六)——小试SVM算法ml OpenCV学习笔记(二十七)——基于级联分类器的目标检测objdect OpenCV学习笔记(二十八)——光流法对运动目标跟踪Video Ope
- 基于opencv的L-K光流法跟踪运动目标
- 光流法-运动目标的检测二(opencv学习)
- 《OpenCV 3计算机视觉:Python语言实现》学习笔记——目标跟踪中基本运动检测的思考
- 基于opencV的动态背景下运动目标检测及跟踪(修改版)
- OpenCV学习笔记——Kalman滤波做运动目标跟踪
- 【Python+OpenCV】目标跟踪-实现基本的运动检测
- 视频运动目标跟踪,基于opencv , vc++
- 【OpenCV】OpenCV3的第二天——光流法(Optial Flow)运动目标检测
- 基于OpenCV的运动目标检测跟踪系统在PC上的软件设计流程
- opencv3-python目标跟踪—基本的运动检测
- OpenCV学习笔记(十七)——运动分析和物体跟踪Video
- 光流法-运动目标的检测(opencv学习)
- 运动目标跟踪(十七)--一些跟踪算法简述及跟踪牛人资料整理
- TLD运动检测与目标跟踪详细介绍
- 基于单目视觉的移动机器人室内定位与运动目标跟踪