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)