opencv 光流法对运动目标跟踪Video

     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:

#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);
 
}


 

 

 

 

 

 

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值