利用opencv中的LK光流实现动态目标跟踪

注意了 ：本代码是在《OpenCV3编程入门》书籍中代码的基础上进行改进的，从而实现对一文件夹下的数据集图片中的动态目标进行跟踪，代码如下，包含了部分注释：

// 程序描述：来自OpenCV安装目录下Samples文件夹中的官方示例程序-利用光流法进行运动目标检测
//  描述：包含程序所使用的头文件和命名空间
#include <opencv2/video/video.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/core/core.hpp>
#include <iostream>
#include <cstdio>
#include <vector>
using namespace std;
using namespace cv;
//  描述：声明全局函数
void tracking(Mat &frame, Mat &output);
bool addNewPoints();
bool acceptTrackedPoint(int i);
//  描述：声明全局变量
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 = 999; // 检测的最大特征数
double qLevel = 0.01;   // 特征检测的等级//最开始是0.01
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;
//输出相应信息和OpenCV版本-----
static void helpinformation()
{
	cout << "\n\n\t\t\t 光流法跟踪运动目标检测\n"
		<< "\n\n\t\t\t 当前使用的OpenCV版本为：" << CV_VERSION
		<< "\n\n";
}

//main( )函数，程序入口
int main()
{
	Mat frame;
	Mat result;
	//加载使用的视频文件，放在项目程序运行文件下，处理视频文件的时候用
	//VideoCapture capture("D:\\car\\Human3.mp4");
	//显示信息函数
	helpinformation();
	// 摄像头读取文件开关,本程序处理的是文件夹中的图片，不是视频
	String path = "D:\\car\\rgb";
	String res = "D:\\result";
	vector<String> str_path;
	glob(path, str_path, false);
	cout << str_path.size() << endl;
	for(int i = 0; i < str_path.size(); i++)
	{
		//while (true)//处理图片的时候不能有这句代码，否则在处理第一张图片的时候就陷入了死循环
	//	{
			Mat temp_picture = imread(str_path[i]);
			cout << "输出正在处理图片的名字"<< str_path[i] << endl;
			//capture >> frame;

			if (!temp_picture.empty())
			{
				tracking(temp_picture, result);
				String name = res + "\\" + to_string(i) + ".png";
				cout << "name=============" << name << endl;
				imwrite(name, result);
			}
			else
			{
				printf(" --(!) No captured frame -- Break!");
				break;
			}
			int c = waitKey(50);
			if ((char)c == 27)
			{
				break;
			}
		//}
	}
	return 0;
}

// parameter: frame 输入的视频帧
//            output 有跟踪结果的视频帧
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(0, 255, 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);
	
}

//  检测新点是否应该被添加
// return: 是否被添加标志
bool addNewPoints()
{
	return points[0].size() <= 10;
}

//决定哪些跟踪点被接受
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);
}

结果图片如下：（效果不是很好）