HTML CSS JAVASCRIPT BOOTSTRAP JQUERY PHP SQL PYTHON PYTHON2 JAVA C C++ C# Linux AI 教程库 参考手册 测验 练习 HOWTO FAQ
❮ 上一节 下一节 ❯

OpenCV Python - Meanshift 和 Camshift

在本章中，让我们了解 OpenCV-Python 中的 meanshift 和 camshift。 首先，让我们了解一下什么是均值偏移。

Meanshift

均值偏移算法识别数据集中数据点或集群高度集中的位置。 该算法在每个数据点放置一个内核，并将它们相加以进行内核密度估计 (KDE)。

KDE 会有数据点密度高和低的地方。 Meanshift 是一种非常有用的方法，可以跟踪视频中的特定对象。

视频的每个实例都以该帧中的像素分布形式进行检查。 作为兴趣区域(ROI) 的初始窗口通常是正方形或圆形。 为此，通过硬编码指定位置，并确定最大像素分布区域。

随着视频的运行，ROI 窗口向最大像素分布区域移动。 移动方向取决于我们跟踪窗口的中心与该窗口内所有 k 像素的质心之间的差异。

为了在OpenCV中使用Meanshift，首先，找到我们目标的直方图（其中只考虑了Hue）并且可以将其目标反投影到每一帧上来计算Meanshift。 我们还需要提供 ROI 窗口的初始位置。

我们反复计算直方图的反投影，计算Meanshift，得到轨迹窗口的新位置。 稍后，我们使用框架上的尺寸绘制一个矩形。

函数

程序中使用的openCV函数有 −

  • cv.calcBackProject() − 计算直方图的反投影。

  • cv.meanShift() − 使用迭代搜索算法的初始搜索窗口和停止标准反投影对象直方图。

示例

这里是Meanshift的示例程序 −

import numpy as np
import cv2 as cv

cap = cv.VideoCapture('traffic.mp4')

ret,frame = cap.read()

# dimensions of initial location of window
x, y, w, h = 300, 200, 100, 50
tracker = (x, y, w, h)

region = frame[y:y+h, x:x+w]
hsv_reg = cv.cvtColor(region, cv.COLOR_BGR2HSV)
mask = cv.inRange(hsv_reg, np.array((0., 60.,32.)), np.array((180.,255.,255.)))
reg_hist = cv.calcHist([hsv_reg],[0],mask,[180],[0,180])
cv.normalize(reg_hist,reg_hist,0,255,cv.NORM_MINMAX)

# Setup the termination criteria
criteria = ( cv.TERM_CRITERIA_EPS | cv.TERM_CRITERIA_COUNT, 10, 1 )

while(1):
   ret, frame = cap.read()

   if ret == True:
      hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)
      dst = cv.calcBackProject([hsv],[0],reg_hist,[0,180],1)

      # apply meanshift
      ret, tracker = cv.meanShift(dst, tracker, criteria)

      # Draw it on image
      x,y,w,h = tracker
      img = cv.rectangle(frame, (x,y), (x+w,y+h), 255,2)
      cv.imshow('img',img)

      k = cv.waitKey(30) & 0xff
      if k==115:
         cv.imwrite('capture.png', img)
      if k == 27:
         break

随着程序的运行，Meanshift 算法将我们的窗口移动到具有最大密度的新位置。

输出

这是移动窗口的快照 −

Meanshift

Camshift

Meanshift 算法的缺点之一是跟踪窗口的大小保持不变，无论对象与相机的距离如何。 此外，只有当对象位于该对象的区域时，窗口才会跟踪该对象。 因此，我们必须对窗口进行手动硬编码，而且要小心谨慎。

这些问题的解决方案由 CAMshift（代表 Continuously Adaptive Meanshift）给出。 一旦 meanshift 收敛，Camshift 算法就会更新窗口的大小，这样跟踪窗口的大小可能会发生变化，甚至会旋转以更好地与被跟踪对象的运动相关联。

在下面的代码中，使用了 camshift() 函数而不是 meanshift() 函数。

首先，它使用 meanShift 找到一个对象中心，然后调整窗口大小并找到最佳旋转。 该函数返回对象的位置、大小和方向。 使用 polylines() 绘制函数在框架上绘制位置。

示例

使用下面的 CamShift() 函数代替早期程序中的 Meanshift() 函数 −

# apply camshift
ret, tracker = cv.CamShift(dst, tracker, criteria)
pts = cv.boxPoints(ret)
pts = np.int0(pts)
img = cv.polylines(frame,[pts],True, 255,2)
cv.imshow('img',img)

输出

显示跟踪窗口旋转矩形的修改程序结果快照如下 −

Camshift
❮ 上一节 下一节 ❯