在OpenCV 4.2中有8种不同的跟踪器可用- BOOSTING, MIL, KCF, TLD, MEDIANFLOW, GOTURN, MOSSE，和CSRT。
1、实现一
import cv2
import sys
(major_ver, minor_ver, subminor_ver) = (cv2.__version__).split('.')
if __name__ == '__main__' :
# 建立追踪器
# 除了MIL之外，您还可以使用
tracker_types = ['BOOSTING', 'MIL', 'KCF', 'TLD', 'MEDIANFLOW', 'GOTURN', 'MOSSE', 'CSRT']
tracker_type = tracker_types[1]
# tracker_type = tracker_types[2]
# tracker_type = tracker_types[7]
# 版本比较高的 opencv 只支持 1、2、7，效果都一般
if int(minor_ver) < 3:
tracker = cv2.Tracker_create(tracker_type)
else:
if tracker_type == 'BOOSTING':
# tracker = cv2.TrackerBoosting_create()
tracker = cv2.TrackerBoosting_create()
if tracker_type == 'MIL':
tracker = cv2.TrackerMIL_create()
if tracker_type == 'KCF':
tracker = cv2.TrackerKCF_create()
if tracker_type == 'TLD':
tracker = cv2.TrackerTLD_create()
if tracker_type == 'MEDIANFLOW':
tracker = cv2.TrackerMedianFlow_create()
if tracker_type == 'GOTURN':
tracker = cv2.TrackerGOTURN_create()
if tracker_type == 'MOSSE':
tracker = cv2.TrackerMOSSE_create()
if tracker_type == "CSRT":
tracker = cv2.TrackerCSRT_create()
# 读取视频
video = cv2.VideoCapture("bag.avi")
# 如果视频没有打开，退出。
if not video.isOpened():
print("Could not open video")
sys.exit()
# 读第一帧。
ok, frame = video.read()
if not ok:
print('Cannot read video file')
sys.exit()
# 定义一个初始边界框
# bbox = (287, 23, 86, 320)
bbox = (310, 140, 420-310, 250-140) # top left w h
# 取消注释下面的行以选择一个不同的边界框
# bbox = cv2.selectROI(frame, False)
# 用第一帧和包围框初始化跟踪器
ok = tracker.init(frame, bbox)
while True:
# 读取一个新的帧
ok, frame = video.read()
if not ok:
break
# 启动计时器
timer = cv2.getTickCount()
# 更新跟踪器
ok, bbox = tracker.update(frame)
# 计算帧率(FPS)
fps = cv2.getTickFrequency() / (cv2.getTickCount() - timer)
# 绘制包围框
if ok:
# 跟踪成功
p1 = (int(bbox[0]), int(bbox[1]))
p2 = (int(bbox[0] + bbox[2]), int(bbox[1] + bbox[3]))
cv2.rectangle(frame, p1, p2, (255,0,0), 2, 1)
else:
# 跟踪失败
cv2.putText(frame, "Tracking failure detected", (100,80), cv2.FONT_HERSHEY_SIMPLEX, 0.75,(0,0,255), 2)
# 在帧上显示跟踪器类型名字
cv2.putText(frame, tracker_type + " Tracker", (100,20), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (50,170,50),2)
# 在帧上显示帧率FPS
cv2.putText(frame, "FPS : " + str(int(fps)), (100,50), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (50,170,50), 2)
# 显示结果
cv2.imshow("Tracking", frame)
# 按ESC键退出
k = cv2.waitKey(1) & 0xff
if k == 27 : break
2、实现二
import argparse
import cv2
# 配置参数
ap = argparse.ArgumentParser()
# -v或--video参数用于指定输入视频文件的路径。
# -t或--tracker参数用于指定所使用的目标跟踪器类型，默认为"kcf"。
ap.add_argument("-v", "--video", type=str, help="path to input video file")
ap.add_argument("-t", "--tracker", type=str, default="kcf", help="OpenCV object tracker type")
# 解析器会将这些参数保存在args变量中，以供脚本后续使用。
args = vars(ap.parse_args())
# opencv已经实现了的追踪算法
# "csrt": 基于稳定的噪声分析方法的跟踪器 (cv2.legacy.TrackerCSRT_create)。
# "kcf": 基于核相关滤波器的跟踪器 (cv2.legacy.TrackerKCF_create)。
# "boosting": 基于Boosting算法的跟踪器 (cv2.legacy.TrackerBoosting_create)。
# "mil": 多实例学习的跟踪器 (cv2.legacy.TrackerMIL_create)。
# "tld": 基于孪生跟踪框架的跟踪器 (cv2.legacy.TrackerTLD_create)。
# "medianflow": 中值流跟踪器 (cv2.legacy.TrackerMedianFlow_create)。
# "mosse": Minimum Output Sum of Squared Error (MOSSE)跟踪器 (cv2.legacy.TrackerMOSSE_create)。
OPENCV_OBJECT_TRACKERS = {
"csrt": cv2.legacy.TrackerCSRT_create,
"kcf": cv2.legacy.TrackerKCF_create,
"boosting": cv2.legacy.TrackerBoosting_create,
"mil": cv2.legacy.TrackerMIL_create,
"tld": cv2.legacy.TrackerTLD_create,
"medianflow": cv2.legacy.TrackerMedianFlow_create,
"mosse": cv2.legacy.TrackerMOSSE_create
}
# 创建一个多目标跟踪器，后续通过trackers.add()来新增。
trackers = cv2.legacy.MultiTracker_create()
# 创建一个视频捕捉对象
vs = cv2.VideoCapture(args["video"])
# 视频流
while True:
# 取当前帧
frame = vs.read()
# 第一个参数，也就是frame[0]代表视频是否被成功读取；第二个参数标识读取到的帧画面。
frame = frame[1]
# 到头了就结束
if frame is None:
break
if 0:
# resize每一帧大小，等比例缩放图片至width = 600
(h, w) = frame.shape[:2]
width = 600
r = width / float(w)
dim = (width, int(h * r))
# 使用 cv2.INTER_AREA 插值方法进行插值。
frame = cv2.resize(frame, dim, interpolation=cv2.INTER_AREA)
# 这行代码执行了一次目标跟踪器（trackers）的更新操作。这段代码返回两个值：
# success: 一个布尔值，表示目标跟踪是否成功。如果成功，通常意味着跟踪器能够找到并更新所有目标的位置。如果失败，可能表示目标已经离开视野或跟踪器丢失了目标。
# boxes: 一个包含了每个目标的边界框位置的列表。每个边界框通常表示为一个包含四个值的元组 (x, y, w, h)，其中 (x, y) 是边界框的左上角坐标，而 (w, h) 是边界框的宽度和高度。
# 这个代码片段中，trackers 被用于跟踪视频帧中的目标，然后 success 和 boxes 用于检查跟踪的成功与否以及目标的位置信息。这通常用于实时目标跟踪应用中，以持续更新目标的位置。
(success, boxes) = trackers.update(frame)
# 绘制区域
for box in boxes:
(x, y, w, h) = [int(v) for v in box]
# 根据左上角和右下角位置信息，在当前帧上画出矩形框
cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
# 显示当前帧frame
cv2.imshow("Frame", frame)
# 从键盘输入缓冲区中读取按键事件，并将其存储在变量 key 中。具体操作如下：
# cv2.waitKey(100)：这个函数等待一个键盘事件，等待时间为 100 毫秒。它会暂停程序的执行，等待用户按下键盘上的按键。如果在指定的时间内（这里是 100 毫秒）没有按键事件发生，函数会返回一个特殊的值 -1，表示等待超时。
# & 0xFF：这个操作是为了确保 key 的值是一个字节（8 位），因为在某些操作系统上，cv2.waitKey() 可能返回一个大于 255 的整数，表示特殊按键事件。通过进行与运算（&）并将结果截断为一个字节，可以确保 key 始终在 0 到 255 的范围内。
key = cv2.waitKey(100) & 0xFF
if key == ord("s"):
# 按s：选择一个区域
# 使用 OpenCV 的 selectROI 函数来交互式地选择图像帧中的一个感兴趣区域（ROI，Region of Interest）。具体参数含义如下：
# "Frame"：这是选择框的窗口的标题，通常是显示图像帧的窗口标题。
# frame：这是当前帧的图像，你想要从中选择感兴趣区域的图像帧。
# fromCenter=False：这个参数指定选择框是否应该从中心开始。如果设置为 True，则选择框将从中心点开始，否则从左上角开始。
# showCrosshair=True：这个参数指定是否显示一个十字交叉标记，以帮助用户选择 ROI 区域。
# 一旦执行这个代码，它会打开一个新窗口，允许用户拖动鼠标来选择感兴趣区域。
# 当用户完成选择后，选择框的坐标和尺寸将存储在 box 变量中，通常是一个元组，包含 (x, y, w, h)，其中 (x, y) 是选择框的左上角坐标，(w, h) 是选择框的宽度和高度。您可以使用这些坐标和尺寸来定义感兴趣区域，然后在后续处理中使用它。
box = cv2.selectROI("Frame", frame, fromCenter=False, showCrosshair=True)
# 在OPENCV_OBJECT_TRACKERS字典中，选择创建一个新的追踪器，由参数指定
tracker = OPENCV_OBJECT_TRACKERS[args["tracker"]]()
# 使用trackers.add(tracker, frame, box)将跟踪器添加到多目标跟踪器中。其中参数含义如下：
# tracker：要添加的跟踪器对象。
# frame：当前的图像帧，用于初始化跟踪器。
# box：感兴趣区域的初始边界框（ROI），通常是一个包含 (x, y, w, h) 的元组，定义了初始的位置和大小。
# 一旦添加了跟踪器，它就会开始跟踪位于初始边界框中的对象，并在后续帧中更新对象的位置。这样，您就可以实现多目标跟踪。
trackers.add(tracker, frame, box)
# 按ESC，退出
elif key == 27:
break
# 释放视频捕获对象 vs
vs.release()
# 关闭所有通过 OpenCV 打开的窗口
cv2.destroyAllWindows()
按 s 可以手动拉框，ESC 键退出
3、参考
项目实战-目标追踪：AttributeError: module ‘cv2‘ has no attribute ‘TrackerBoosting_create‘
7107
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
