《OpenCV-python学习》第八章 目标跟踪+第九章 基于OpenCV的神经网络简介

检测移动的目标

帧差异

1.将第一帧设置为输入的背景，对每帧进行灰度转换和平滑滤波操作
2.将后续读取的帧计算与背景的差异，得到差分图
3.对差分图进行二值化和膨胀，然后在差分图中找轮廓

背景分割器：KNN、MOG2、GMG

opencv提供BackgroundSubtractor类，用于视频分析，会对每帧进行“学习”，且可以计算阴影。

均值漂移和CAMShift

均值漂移（Meanshift）是一种目标跟踪算法，该算法寻找概率函数离散样本的最大密度，并重新计算在下一帧的最大密度，给出了目标的移动方向。重新进行该计算知道与原始中心匹配，或者在连续迭代计算后中心保持不变（收敛）。
直方图反向投影：将得到的直方图投影到图像上，得到每个像素属于原始图像的概率。
CAMShift与均值漂移相似，不同的是，会根据具体的旋转来绘制矩形，这种旋转会与被跟踪对象一起旋转。

卡尔曼滤波器

对含有噪声的输入数据流进行递归操作，并产生底层系统状态在统计意义上的最优估计。分为以下两个阶段。
预测：用由当前点计算的协方差来估计目标的新位置。
更新：记录目标的位置，并为下一次循环计算修正协方差。

人工神经网络ANN

ANN是一个统计模型：空间S和概率P，P是S的近似分布。
感知器：接受多输入输出一个值的函数。每个输入都有一个与之相关联的权重，用来表示函数中输入的重要性。权重是自适应的，可以通过学习及时调整。
输入层：输入的数目=属性值
输出层：输出的数目=类别数
隐藏层：数目取经验值，在输入层与输出层大小之间，若输入层与输出层大小相差很大，隐藏层数目与输出层更接近。对于相对较小的输入层，隐藏层=2/3（输入+输出）或 隐藏层<2*输入。
过拟合：待分类训练数据提供的信息没有什么意义，而隐藏层又含有太多信息时会发生过拟合。