官方引例——色彩目标跟踪

最新推荐文章于 2021-09-07 17:04:12 发布
最新推荐文章于 2021-09-07 17:04:12 发布
阅读量534 收藏
点赞数
分类专栏： OpenCV 文章标签： opencv 目标追踪
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u011463646/article/details/78177216
版权

简介

OpenCV官方提供了多种接口的示例文件，本文在D:\Program Files (x86)\OpenCV249\opencv\sources\samples路径下，对应自己的电脑类似，有android、gpu、MacOSX等：
这里写图片描述
居然还有Python：
这里写图片描述

物体颜色追踪

在D:\Program Files (x86)\OpenCV249\opencv\sources\samples路径下有camshiftdemo.cpp。CamShift:Continuously Adaptive Mean-Shifts是对MeanShift算法的改进

#include "opencv2/video/tracking.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"

#include <iostream>
#include <ctype.h>

using namespace cv;
using namespace std;

Mat image;

bool backprojMode = false;
bool selectObject = false;
int trackObject = 0;
bool showHist = true;
Point origin;
Rect selection;
int vmin = 10, vmax = 256, smin = 30;

//--------------------------------【onMouse( )回调函数】------------------------------------
//      描述：鼠标操作回调
//-------------------------------------------------------------------------------------------------
static void onMouse(int event, int x, int y, int, void*)
{
    if (selectObject)
    {
        selection.x = MIN(x, origin.x);
        selection.y = MIN(y, origin.y);
        selection.width = std::abs(x - origin.x);
        selection.height = std::abs(y - origin.y);

        selection &= Rect(0, 0, image.cols, image.rows);
    }

    switch (event)
    {
    case CV_EVENT_LBUTTONDOWN:
        origin = Point(x, y);
        selection = Rect(x, y, 0, 0);
        selectObject = true;
        break;
    case CV_EVENT_LBUTTONUP:
        selectObject = false;
        if (selection.width > 0 && selection.height > 0)
            trackObject = -1;
        break;
    }
}
//--------------------------------【help( )函数】----------------------------------------------
//      描述：输出帮助信息
//-------------------------------------------------------------------------------------------------
static void help()
{
    cout << "\nThis is a demo that shows mean-shift based tracking\n"
        "You select a color objects such as your face and it tracks it.\n"
        "This reads from video camera (0 by default, or the camera number the user enters\n"
        "Usage: \n"
        "   ./camshiftdemo [camera number]\n";

    cout << "\n\nHot keys: \n"
        "\tESC - quit the program\n"
        "\tc - stop the tracking\n"
        "\tb - switch to/from backprojection view\n"
        "\th - show/hide object histogram\n"
        "\tp - pause video\n"
        "To initialize tracking, select the object with mouse\n";
}

const char* keys =
{
    "{1|  | 0 | camera number}"
};

int main(int argc, const char** argv)
{
    help();

    VideoCapture cap;
    Rect trackWindow;
    int hsize = 16;
    float hranges[] = { 0, 180 };
    const float* phranges = hranges;
    CommandLineParser parser(argc, argv, keys);
    int camNum = parser.get<int>("1");

    cap.open(camNum);

    if (!cap.isOpened())
    {
        help();
        cout << "***Could not initialize capturing...***\n";
        cout << "Current parameter's value: \n";
        parser.printParams();
        return -1;
    }

    namedWindow("Histogram", 0);
    namedWindow("CamShift Demo", 0);
    setMouseCallback("CamShift Demo", onMouse, 0);
    createTrackbar("Vmin", "CamShift Demo", &vmin, 256, 0);
    createTrackbar("Vmax", "CamShift Demo", &vmax, 256, 0);
    createTrackbar("Smin", "CamShift Demo", &smin, 256, 0);

    Mat frame, hsv, hue, mask, hist, histimg = Mat::zeros(200, 320, CV_8UC3), backproj;
    bool paused = false;

    for (;;)
    {
        if (!paused)
        {
            cap >> frame;
            if (frame.empty())
                break;
        }

        frame.copyTo(image);

        if (!paused)
        {
            cvtColor(image, hsv, COLOR_BGR2HSV);

            if (trackObject)
            {
                int _vmin = vmin, _vmax = vmax;

                inRange(hsv, Scalar(0, smin, MIN(_vmin, _vmax)),
                    Scalar(180, 256, MAX(_vmin, _vmax)), mask);
                int ch[] = { 0, 0 };
                hue.create(hsv.size(), hsv.depth());
                mixChannels(&hsv, 1, &hue, 1, ch, 1);

                if (trackObject < 0)
                {
                    Mat roi(hue, selection), maskroi(mask, selection);
                    calcHist(&roi, 1, 0, maskroi, hist, 1, &hsize, &phranges);
                    normalize(hist, hist, 0, 255, CV_MINMAX);

                    trackWindow = selection;
                    trackObject = 1;

                    histimg = Scalar::all(0);
                    int binW = histimg.cols / hsize;
                    Mat buf(1, hsize, CV_8UC3);
                    for (int i = 0; i < hsize; i++)
                        buf.at<Vec3b>(i) = Vec3b(saturate_cast<uchar>(i*180. / hsize), 255, 255);
                    cvtColor(buf, buf, CV_HSV2BGR);

                    for (int i = 0; i < hsize; i++)
                    {
                        int val = saturate_cast<int>(hist.at<float>(i)*histimg.rows / 255);
                        rectangle(histimg, Point(i*binW, histimg.rows),
                            Point((i + 1)*binW, histimg.rows - val),
                            Scalar(buf.at<Vec3b>(i)), -1, 8);
                    }
                }

                calcBackProject(&hue, 1, 0, hist, backproj, &phranges);
                backproj &= mask;
                RotatedRect trackBox = CamShift(backproj, trackWindow,
                    TermCriteria(CV_TERMCRIT_EPS | CV_TERMCRIT_ITER, 10, 1));
                if (trackWindow.area() <= 1)
                {
                    int cols = backproj.cols, rows = backproj.rows, r = (MIN(cols, rows) + 5) / 6;
                    trackWindow = Rect(trackWindow.x - r, trackWindow.y - r,
                        trackWindow.x + r, trackWindow.y + r) &
                        Rect(0, 0, cols, rows);
                }

                if (backprojMode)
                    cvtColor(backproj, image, COLOR_GRAY2BGR);
                ellipse(image, trackBox, Scalar(0, 0, 255), 3, CV_AA);
            }
        }
        else if (trackObject < 0)
            paused = false;

        if (selectObject && selection.width > 0 && selection.height > 0)
        {
            Mat roi(image, selection);
            bitwise_not(roi, roi);
        }

        imshow("CamShift Demo", image);
        imshow("Histogram", histimg);

        char c = (char)waitKey(10);
        if (c == 27)
            break;
        switch (c)
        {
        case 'b':
            backprojMode = !backprojMode;
            break;
        case 'c':
            trackObject = 0;
            histimg = Scalar::all(0);
            break;
        case 'h':
            showHist = !showHist;
            if (!showHist)
                destroyWindow("Histogram");
            else
                namedWindow("Histogram", 1);
            break;
        case 'p':
            paused = !paused;
            break;
        default:
            ;
        }
    }

    return 0;
}

这里写图片描述

光流Optical flow

光流Optical flow算法是运动图像分析的重要方法，因为当物体运动时，在图像对应点的亮度模式也在运动.

//---------------------------------【头文件、命名空间包含部分】----------------------------
//      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>

using namespace std;
using namespace cv;





//-----------------------------------【全局函数声明】-----------------------------------------
//      描述：声明全局函数
//-------------------------------------------------------------------------------------------------
void tracking(Mat &frame, Mat &output);
bool addNewPoints();
bool acceptTrackedPoint(int i);

//-----------------------------------【全局变量声明】-----------------------------------------
//      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 = 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;


//--------------------------------【help( )函数】----------------------------------------------
//      描述：输出帮助信息
//-------------------------------------------------------------------------------------------------
static void help()
{
    //输出欢迎信息和OpenCV版本
    cout << "\n\n\t\t\t非常感谢购买《OpenCV3编程入门》一书！\n"
        << "\n\n\t\t\t此为本书OpenCV2版的第9个配套示例程序\n"
        << "\n\n\t\t\t   当前使用的OpenCV版本为：" << CV_VERSION
        << "\n\n  ----------------------------------------------------------------------------";
}


//-----------------------------------【main( )函数】--------------------------------------------
//      描述：控制台应用程序的入口函数，我们的程序从这里开始
//-------------------------------------------------------------------------------------------------
int main()
{

    Mat frame;
    Mat result;

    VideoCapture capture("1.avi");

    help();
    if (capture.isOpened()) // 摄像头读取文件开关
    {
        while (true)
        {
            capture >> frame;

            if (!frame.empty())
            {
                tracking(frame, result);
            }
            else
            {
                printf(" --(!) No captured frame -- Break!");
                break;
            }

            int c = waitKey(50);
            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(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);
}

//-------------------------------------------------------------------------------------------------
// 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);
}

这里写图片描述

点追踪：lkdemo

在D:\Program Files (x86)\OpenCV249\opencv\sources\samples路径下有lkdemo.cpp。程序启动后，按“r”键来启动自动点追踪，移动物体，点会跟着运动。


//---------------------------------【头文件、命名空间包含部分】----------------------------
//      描述：包含程序所使用的头文件和命名空间
//-------------------------------------------------------------------------------------------------
#include "opencv2/video/tracking.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"

#include <iostream>
#include <ctype.h>

using namespace cv;
using namespace std;



//--------------------------------【help( )函数】----------------------------------------------
//      描述：输出帮助信息
//-------------------------------------------------------------------------------------------------
static void help()
{
    //输出欢迎信息和OpenCV版本
    cout << "\n\n\t\t\t非常感谢购买《OpenCV3编程入门》一书！\n"
        << "\n\n\t\t\t此为本书OpenCV2版的第10个配套示例程序\n"
        << "\n\n\t\t\t   当前使用的OpenCV版本为：" << CV_VERSION
        << "\n\n  ----------------------------------------------------------------------------";
    cout << "\n\n\t该Demo演示了 Lukas-Kanade基于光流的lkdemo\n";
    cout << "\n\t程序默认从摄像头读入视频，可以按需改为从视频文件读入图像\n";
    cout << "\n\t操作说明: \n"
        "\t\t通过点击在图像中添加/删除特征点\n"
        "\t\tESC - 退出程序\n"
        "\t\tr -自动进行追踪\n"
        "\t\tc - 删除所有点\n"
        "\t\tn - 开/光-夜晚模式\n" << endl;
}

Point2f point;
bool addRemovePt = false;

//--------------------------------【onMouse( )回调函数】------------------------------------
//      描述：鼠标操作回调
//-------------------------------------------------------------------------------------------------
static void onMouse(int event, int x, int y, int /*flags*/, void* /*param*/)
{
    if (event == CV_EVENT_LBUTTONDOWN)
    {
        point = Point2f((float)x, (float)y);
        addRemovePt = true;
    }
}

//-----------------------------------【main( )函数】--------------------------------------------
//      描述：控制台应用程序的入口函数，我们的程序从这里开始
//-------------------------------------------------------------------------------------------------
int main(int argc, char** argv)
{
    help();

    VideoCapture cap;
    TermCriteria termcrit(CV_TERMCRIT_ITER | CV_TERMCRIT_EPS, 20, 0.03);
    Size subPixWinSize(10, 10), winSize(31, 31);

    const int MAX_COUNT = 500;
    bool needToInit = false;
    bool nightMode = false;

    cap.open(0);

    if (!cap.isOpened())
    {
        cout << "Could not initialize capturing...\n";
        return 0;
    }

    namedWindow("LK Demo", 1);
    setMouseCallback("LK Demo", onMouse, 0);

    Mat gray, prevGray, image;
    vector<Point2f> points[2];

    for (;;)
    {
        Mat frame;
        cap >> frame;
        if (frame.empty())
            break;

        frame.copyTo(image);
        cvtColor(image, gray, COLOR_BGR2GRAY);

        if (nightMode)
            image = Scalar::all(0);

        if (needToInit)
        {
            // 自动初始化
            goodFeaturesToTrack(gray, points[1], MAX_COUNT, 0.01, 10, Mat(), 3, 0, 0.04);
            cornerSubPix(gray, points[1], subPixWinSize, Size(-1, -1), termcrit);
            addRemovePt = false;
        }
        else if (!points[0].empty())
        {
            vector<uchar> status;
            vector<float> err;
            if (prevGray.empty())
                gray.copyTo(prevGray);
            calcOpticalFlowPyrLK(prevGray, gray, points[0], points[1], status, err, winSize,
                3, termcrit, 0, 0.001);
            size_t i, k;
            for (i = k = 0; i < points[1].size(); i++)
            {
                if (addRemovePt)
                {
                    if (norm(point - points[1][i]) <= 5)
                    {
                        addRemovePt = false;
                        continue;
                    }
                }

                if (!status[i])
                    continue;

                points[1][k++] = points[1][i];
                circle(image, points[1][i], 3, Scalar(0, 255, 0), -1, 8);
            }
            points[1].resize(k);
        }

        if (addRemovePt && points[1].size() < (size_t)MAX_COUNT)
        {
            vector<Point2f> tmp;
            tmp.push_back(point);
            cornerSubPix(gray, tmp, winSize, cvSize(-1, -1), termcrit);
            points[1].push_back(tmp[0]);
            addRemovePt = false;
        }

        needToInit = false;
        imshow("LK Demo", image);

        char c = (char)waitKey(10);
        if (c == 27)
            break;
        switch (c)
        {
        case 'r':
            needToInit = true;
            break;
        case 'c':
            points[0].clear();
            points[1].clear();
            break;
        case 'n':
            nightMode = !nightMode;
            break;
        }

        std::swap(points[1], points[0]);
        cv::swap(prevGray, gray);
    }

    return 0;
}

人脸识别

此示例位于D:\Program Files (x86)\OpenCV249\opencv\sources\samples\cpp\tutorial_code\objectDetection中的objectDetection.cpp和objectDetection2.cpp.需要额外主意的是，要将D:\Program Files (x86)\OpenCV249\opencv\sources\data\haarcascades下的haarcascade_eye_tree_eyeglasses.xml、haarcascade_frontalface_alt.xml放在源文件CPP同一文件夹里才能够运行。



/**
* @file ObjectDetection.cpp
* @author A. Huaman ( based in the classic facedetect.cpp in samples/c )
* @brief A simplified version of facedetect.cpp, show how to load a cascade classifier and how to find objects (Face + eyes) in a video stream
*/

//---------------------------------【头文件、命名空间包含部分】----------------------------
//      描述：包含程序所使用的头文件和命名空间
//-------------------------------------------------------------------------------------------------
#include "opencv2/objdetect/objdetect.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"

#include <iostream>
#include <stdio.h>

using namespace std;
using namespace cv;




void detectAndDisplay(Mat frame);

//--------------------------------【全局变量声明】----------------------------------------------
//      描述：声明全局变量
//-------------------------------------------------------------------------------------------------
//注意，需要把"haarcascade_frontalface_alt.xml"和"haarcascade_eye_tree_eyeglasses.xml"这两个文件复制到工程路径下
String face_cascade_name = "haarcascade_frontalface_alt.xml";
String eyes_cascade_name = "haarcascade_eye_tree_eyeglasses.xml";
CascadeClassifier face_cascade;
CascadeClassifier eyes_cascade;
string window_name = "Capture - Face detection";
RNG rng(12345);


//--------------------------------【help( )函数】----------------------------------------------
//      描述：输出帮助信息
//-------------------------------------------------------------------------------------------------
static void ShowHelpText()
{
    //输出欢迎信息和OpenCV版本
    cout << "\n\n\t\t\t非常感谢购买《OpenCV3编程入门》一书！\n"
        << "\n\n\t\t\t此为本书OpenCV2版的第11个配套示例程序\n"
        << "\n\n\t\t\t   当前使用的OpenCV版本为：" << CV_VERSION
        << "\n\n  ----------------------------------------------------------------------------";
}


//-----------------------------------【main( )函数】--------------------------------------------
//      描述：控制台应用程序的入口函数，我们的程序从这里开始
//-------------------------------------------------------------------------------------------------
int main(void)
{
    VideoCapture capture;
    Mat frame;


    //-- 1. 加载级联（cascades）
    if (!face_cascade.load(face_cascade_name)){ printf("--(!)Error loading\n"); return -1; };
    if (!eyes_cascade.load(eyes_cascade_name)){ printf("--(!)Error loading\n"); return -1; };

    //-- 2. 读取视频
    capture.open(0);
    ShowHelpText();
    if (capture.isOpened())
    {
        for (;;)
        {
            capture >> frame;

            //-- 3. 对当前帧使用分类器（Apply the classifier to the frame）
            if (!frame.empty())
            {
                detectAndDisplay(frame);
            }
            else
            {
                printf(" --(!) No captured frame -- Break!"); break;
            }

            int c = waitKey(1);
            if ((char)c == 'c') { break; }

        }
    }
    return 0;
}


void detectAndDisplay(Mat frame)
{
    std::vector<Rect> faces;
    Mat frame_gray;

    cvtColor(frame, frame_gray, COLOR_BGR2GRAY);
    equalizeHist(frame_gray, frame_gray);
    //-- 人脸检测
    face_cascade.detectMultiScale(frame_gray, faces, 1.1, 2, 0 | CV_HAAR_SCALE_IMAGE, Size(30, 30));

    for (size_t i = 0; i < faces.size(); i++)
    {
        Point center(faces[i].x + faces[i].width / 2, faces[i].y + faces[i].height / 2);
        ellipse(frame, center, Size(faces[i].width / 2, faces[i].height / 2), 0, 0, 360, Scalar(255, 0, 255), 2, 8, 0);

        Mat faceROI = frame_gray(faces[i]);
        std::vector<Rect> eyes;

        //-- 在脸中检测眼睛
        eyes_cascade.detectMultiScale(faceROI, eyes, 1.1, 2, 0 | CV_HAAR_SCALE_IMAGE, Size(30, 30));

        for (size_t j = 0; j < eyes.size(); j++)
        {
            Point eye_center(faces[i].x + eyes[j].x + eyes[j].width / 2, faces[i].y + eyes[j].y + eyes[j].height / 2);
            int radius = cvRound((eyes[j].width + eyes[j].height)*0.25);
            circle(frame, eye_center, radius, Scalar(255, 0, 0), 3, 8, 0);
        }
    }
    //-- 显示最终效果图
    imshow(window_name, frame);
}

官方提供的objectDetection2.cpp，需要将D:\Program Files (x86)\OpenCV249\opencv\sources\data\lbpcascades下的lbpcascade_frontalface.xml放在源文件中。

/**
* @file objectDetection2.cpp
* @author A. Huaman ( based in the classic facedetect.cpp in samples/c )
* @brief A simplified version of facedetect.cpp, show how to load a cascade classifier and how to find objects (Face + eyes) in a video stream - Using LBP here
*/
#include "opencv2/objdetect/objdetect.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"

#include <iostream>
#include <stdio.h>

using namespace std;
using namespace cv;

/** Function Headers */
void detectAndDisplay(Mat frame);

/** Global variables */
String face_cascade_name = "lbpcascade_frontalface.xml";
String eyes_cascade_name = "haarcascade_eye_tree_eyeglasses.xml";
CascadeClassifier face_cascade;
CascadeClassifier eyes_cascade;
string window_name = "Capture - Face detection";

RNG rng(12345);

/**
* @function main
*/
int main(void)
{
    VideoCapture capture;
    Mat frame;

    //-- 1. Load the cascade
    if (!face_cascade.load(face_cascade_name)){ printf("--(!)Error loading\n"); return -1; };
    if (!eyes_cascade.load(eyes_cascade_name)){ printf("--(!)Error loading\n"); return -1; };

    //-- 2. Read the video stream
    capture.open(0);
    if (capture.isOpened())
    {
        for (;;)
        {
            capture >> frame;

            //-- 3. Apply the classifier to the frame
            if (!frame.empty())
            {
                detectAndDisplay(frame);
            }
            else
            {
                printf(" --(!) No captured frame -- Break!"); break;
            }

            int c = waitKey(10);
            if ((char)c == 'c') { break; }

        }
    }
    return 0;
}

/**
* @function detectAndDisplay
*/
void detectAndDisplay(Mat frame)
{
    std::vector<Rect> faces;
    Mat frame_gray;

    cvtColor(frame, frame_gray, COLOR_BGR2GRAY);
    equalizeHist(frame_gray, frame_gray);

    //-- Detect faces
    face_cascade.detectMultiScale(frame_gray, faces, 1.1, 2, 0, Size(80, 80));

    for (size_t i = 0; i < faces.size(); i++)
    {
        Mat faceROI = frame_gray(faces[i]);
        std::vector<Rect> eyes;

        //-- In each face, detect eyes
        eyes_cascade.detectMultiScale(faceROI, eyes, 1.1, 2, 0 | CV_HAAR_SCALE_IMAGE, Size(30, 30));
        if (eyes.size() == 2)
        {
            //-- Draw the face
            Point center(faces[i].x + faces[i].width / 2, faces[i].y + faces[i].height / 2);
            ellipse(frame, center, Size(faces[i].width / 2, faces[i].height / 2), 0, 0, 360, Scalar(255, 0, 0), 2, 8, 0);

            for (size_t j = 0; j < eyes.size(); j++)
            { //-- Draw the eyes
                Point eye_center(faces[i].x + eyes[j].x + eyes[j].width / 2, faces[i].y + eyes[j].y + eyes[j].height / 2);
                int radius = cvRound((eyes[j].width + eyes[j].height)*0.25);
                circle(frame, eye_center, radius, Scalar(255, 0, 255), 3, 8, 0);
            }
        }

    }
    //-- Show what you got
    imshow(window_name, frame);
}

支持向量机之SVM引导

线性可分时，opencv249版本


//---------------------------------【头文件、命名空间包含部分】----------------------------
//      描述：包含程序所使用的头文件和命名空间
//-------------------------------------------------------------------------------------------------
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/ml/ml.hpp>
using namespace cv;




//--------------------------------【help( )函数】----------------------------------------------
//      描述：输出帮助信息
//-------------------------------------------------------------------------------------------------

//-----------------------------------【ShowHelpText( )函数】----------------------------------
//          描述：输出一些帮助信息
//----------------------------------------------------------------------------------------------
void ShowHelpText()
{
    //输出欢迎信息和OpenCV版本
    printf("\n\n\t\t\t非常感谢购买《OpenCV3编程入门》一书！\n");
    printf("\n\n\t\t\t此为本书OpenCV2版的第12个配套示例程序\n");
    printf("\n\n\t\t\t   当前使用的OpenCV版本为：" CV_VERSION);
    printf("\n\n  ----------------------------------------------------------------------------\n");
}

//-----------------------------------【main( )函数】--------------------------------------------
//      描述：控制台应用程序的入口函数，我们的程序从这里开始
//-------------------------------------------------------------------------------------------------
int main()
{
    // 视觉表达数据的设置（Data for visual representation）
    int width = 512, height = 512;
    Mat image = Mat::zeros(height, width, CV_8UC3);

    //建立训练数据（ Set up training data）
    float labels[4] = { 1.0, -1.0, -1.0, -1.0 };
    Mat labelsMat(3, 1, CV_32FC1, labels);

    float trainingData[4][2] = { { 501, 10 }, { 255, 10 }, { 501, 255 }, { 10, 501 } };
    Mat trainingDataMat(3, 2, CV_32FC1, trainingData);

    ShowHelpText();

    //设置支持向量机的参数（Set up SVM's parameters）
    CvSVMParams params;
    params.svm_type = CvSVM::C_SVC;
    params.kernel_type = CvSVM::LINEAR;
    params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);

    // 训练支持向量机（Train the SVM）
    CvSVM SVM;
    SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);

    Vec3b green(0, 255, 0), blue(255, 0, 0);
    //显示由SVM给出的决定区域 （Show the decision regions given by the SVM）
    for (int i = 0; i < image.rows; ++i)
        for (int j = 0; j < image.cols; ++j)
        {
            Mat sampleMat = (Mat_<float>(1, 2) << i, j);
            float response = SVM.predict(sampleMat);

            if (response == 1)
                image.at<Vec3b>(j, i) = green;
            else if (response == -1)
                image.at<Vec3b>(j, i) = blue;
        }

    //显示训练数据 （Show the training data）
    int thickness = -1;
    int lineType = 8;
    circle(image, Point(501, 10), 5, Scalar(0, 0, 0), thickness, lineType);
    circle(image, Point(255, 10), 5, Scalar(255, 255, 255), thickness, lineType);
    circle(image, Point(501, 255), 5, Scalar(255, 255, 255), thickness, lineType);
    circle(image, Point(10, 501), 5, Scalar(255, 255, 255), thickness, lineType);

    //显示支持向量 （Show support vectors）
    thickness = 2;
    lineType = 8;
    int c = SVM.get_support_vector_count();

    for (int i = 0; i < c; ++i)
    {
        const float* v = SVM.get_support_vector(i);
        circle(image, Point((int)v[0], (int)v[1]), 6, Scalar(128, 128, 128), thickness, lineType);
    }

    imwrite("result.png", image);        // 保存图像

    imshow("SVM Simple Example", image); // 显示图像
    waitKey(0);

}

这里写图片描述

线性可分时，opencv300版本
参考OpenCv3.0+SVM的使用心得（一） - u010869312的专栏 - CSDN博客
http://blog.csdn.net/u010869312/article/details/44927721代码设计

何以问天涯
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Verybot之OpenCV应用三：色标跟踪
Very Tech
01-19 1854
下面的这个应用主要完成的是Verybot跟踪色标的功能，识别部分还是居于OpenCV编写，色标跟踪一般需要将图像的颜色模式进行转换，将RGB转换为HSV，因为对HSV格式下的图像进行识别时受光线的影响比较小，但是也有采用RGB模式来进行识别的情况，这种情况一般光线条件比较固定，背景跟识别物在颜色上很容易区分出来。         下面这个程序的流程大致是这样的：         1、先将颜色模
opencv-python的颜色检测追踪
weixin_46096032的博客
06-08 3112
基于opencv的颜色识别检测 基于python写的一个opencv颜色识别，主要运用到了hsv色彩空间 import cv2 as cv import numpy as np lower_red=np.array([150,43,46]) upper_red=np.array([179,255,255]) lower_green=np.array([30,100,100]) upper...
图像色彩追踪
Ibelievesunshine的博客
03-24 1351
色彩追踪指的是找出RGB图像中特定颜色在原图中所在的位置 思考：由于在RGB色彩空间中颜色有256³种，色彩追踪是比较困难的。所以我们考虑先将图像转换到HSV色彩空间中。 HSV变换，是将RGB变换到H（Hue：色相）、S（Saturation：饱和度）、V（Value：明度）的方法 关于RGB变到HSV可参考 关于HSV色彩空间的一些说明： 饱和度越小，图像越白，饱和度越大，颜色越浓烈，0...
会色彩追踪的视觉技术（Python实现）
箫栩的博客
07-28 480
文章目录会色彩追踪的视觉技术功能描述模块功能设计思路代码实现UI示例 会色彩追踪的视觉技术 功能描述 依据用户选择的特定颜色，进行物体时时追踪，并进行矩形框标准，获取相角度、长宽等信息。 模块功能 import cv2 # 视觉处理模块 import numpy as np # 数据处理模块 设计思路 将图像有原始的RGB色彩模式转换为HSV色彩模式，通过设置色调（H），饱和度（S），明度（V）参数得到相应的物体颜色蒙版（mask），再通过阈值调节、形态学操作等获取较为精确的轮廓，依据opencv中关于轮
python + opencv 图像处理（五）——颜色追踪
小黄的博客
10-21 1863
追踪视频中的颜色 对图片通道的分离与合并 from cv2 import cv2 as cv import numpy as np def video_demo(): # VideoCapture.open capture = cv.VideoCapture('C:\\pictures\\videos\\1.mp4') while True: ret...
中国科学院大学模式识别与机器学习课程项目——多目标跟踪.zip
最新发布
04-23
该项目聚焦于模式识别与机器学习领域中的一个重要课题——多目标跟踪（Multiple Object Tracking, MOT）。在现实世界的视频监控、自动驾驶、无人机系统等场景中，能够同时跟踪多个移动目标的能力至关重要。这个项目...
Tracking-Moving-Object-.rar_object tracking_目标搜索_目标跟踪_策略 pdf
09-24
"Tracking-Moving-Object-.rar"这份压缩包文件，重点探讨了目标跟踪中的关键问题——基于匹配的跟踪算法，特别是如何提升算法的稳定性和实时性。 目标跟踪的核心在于如何在连续的视频帧中精确地定位和识别特定的...
基于视频流连续性目标跟踪研究
01-06
在计算机视觉领域，运动目标的检测与提取是一项重要的基础研究任务，它不仅为后续的目标跟踪、识别以及行为分析提供了关键信息，还广泛应用于智能监控、机器人导航等多个实际应用场景。传统的运动目标检测方法主要...
机器人目标跟踪算法研究.pdf
07-11
《机器人目标跟踪算法研究》这篇文档详细探讨了机器人视觉领域中的关键技术——目标跟踪。目标跟踪技术是机器人智能的重要组成部分，它综合了图像处理、模式识别、人工智能和自动控制等多学科知识，用于视频流中的...
MeanShift算法——运动跟踪——背景建模
12-25
在视频处理中，这一过程可以理解为：通过不断移动像素点的位置（即“漂移”），使其向颜色或空间密度更高的区域移动，直到找到一个局部最大密度的区域，即为目标物体所在的区域。 具体实现时，C++是常用的语言。在...
包装机色标追踪控制原理.pdf
10-09
包装机色标追踪控制原理pdf,包装机色标追踪控制原理
根据颜色目标跟踪
酸奶爱地球的博客
01-06 895
完成结果：用鼠标选取需要跟踪的部分，根据颜色，画出直方图并跟踪 源代码参考：opencv3编程。 #include "opencv2/video/tracking.hpp" #include #include "opencv2/highgui/highgui.hpp" #include #include using namespace cv; using namespace std
OpenCV3.0 + Python3.6 实现特定颜色的物体追踪
qq_20156437的博客
10-12 4124
一、环境 win10、Python3.6、OpenCV3.x；编译器：pycharm5.0.3 二、实现目标 根据需要追踪的物体颜色，设定阈值，在视频中框选出需要追踪的物体。 三、实现步骤 1）根据需要追踪的物体颜色，设定颜色阈值，获取追踪物体的掩膜 代码：generate_threshold.py # -*- coding : utf-8 -*- # Author: Tom Yu...
Python-opencv颜色物体跟踪程序
weixin_44705079的博客
09-07 744
Python-opencv颜色物体跟踪程序： 1.首先我们得找到物体颜色的HSV是多少，这样我们物体识别更准确 如何找到HSV: （1）首先用同一个摄像头拍照我们所需跟踪物品的照片 import cv2 cap = cv2.VideoCapture(0) while(1): # get a frame ret, frame = cap.read() # show a frame cv2.imshow(“capture”, frame) if cv2.waitKey(1) & 0xFF == ord
基于颜色特征的目标跟踪（一）
zhu_hongji的博客
05-26 1万+
    从本质上来看，运动目标的跟踪就是在相邻帧中寻找具有相同或相似特征的目标。因此，可以看成目标与目标间的特征匹配。 1、颜色直方图的获取：     颜色直方图是对运动目标表面颜色分布的统计，不受目标的形状、姿态等变化的影响。所以用直方图作为目标的特征，依据颜色分布进行匹配，具有稳定性好、抗部分遮挡、计算方法简单和计算量小的特点，是比较理想的目标颜色特征。为了抵抗光照亮暗带来的影响，一般的颜...
2.6.36内核优化 .
xiaoyangger的专栏
06-24 6265
Linux 2.6.36 内核优化指南 作者： Ken Wu Email: ken.wug@gmail.com 转载本文档请注明原文链接  http://kenwublog.com/docs/linux-kernel-2-6-36-optimization.htm ！   介绍 本文档是一篇关于Linux Kernel 2.6.36 的最 简优化指南。作者
Python+Opencv颜色和形状检测
热门推荐
WZZ18191171661的博客
07-21 2万+
目录一、场景需求解读二、算法原理简介三、算法实现步骤四、算法代码实现五、算法效果展示与分析参考资料注意事项 一、场景需求解读   现实场景中，我们有时需要自动的检测出图片中目标的颜色和其对应的形状，然后根据这些信息快速的找到我们需要的目标，这在真实场景中具有广泛的应用。下图展示了一张实例，我们需要知道图片中目标的颜色和形状信息。 二、算法原理简介   为了检测不同物体的颜色，本文的实现思路为：1...
点追踪技术演示
北漠苍狼的专栏(QQ:1746430162)
11-22 503
//--------------------------------------【程序说明】------------------------------------------- // 程序描述：来自OpenCV安装目录下Samples文件夹中的官方示例程序-点追踪技术演示 // 测试所用操作系统： Windows 7 64bit // 测试所用IDE版本：Visual Studio 201
《python+opencv实践》一、基于颜色的物体追踪（下）
趁着年轻抓紧逆袭呀！
04-26 1万+
本文对《python+opencv实践》一、基于颜色的物体追踪（上） 做了功能上的强化，强化如下： （1）加了pts清空，即当没有检测到目标时，清空pts，显示的图像上不再有轨迹； （2）加了运动方向判别，能够判别目标的运动方向及当前坐标。 from collections import deque import numpy as np import time #import imu
目标跟踪技术：全面综述
"目标跟踪测试视频——一篇全面综述目标追踪技术的经典文献" 在计算机视觉领域，目标跟踪是一项关键的技术，它涉及识别并追踪图像序列中的特定对象。这篇综述文章深入探讨了目标追踪的最新进展，对各种跟踪方法进行...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

何以问天涯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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