OpenCV学习笔记（七）Lucas-…

原文地址：OpenCV学习笔记（七）Lucas-Kanade光流跟踪点的选择 作者：ziguangzeng

在上一节提到了Lucas-Kanade光流跟踪算法，是一种准确，成熟，比较容易实现的物体跟踪算法，对画面中固定点会进行准确快速的跟踪。但是在视频中如何对移动物体进行跟踪以及跟踪点的选择，则是另一个需要解决的问题。下面我们来详细了解一下。

 

首先，在视频中移动的物体与静止的物体的一种区别就是，在前一帧与当前帧之间，静止物体是没有运动的，运动物体的运动造成了在这两帧之中有一个运动的区域，两帧的差我们可以用cvAbsDiff来计算出，我们可以通过定位这个区域来设置需要跟踪的点。这个运动的区域我们可以通过OpenCV的查找轮廓的方法来找到，这里使用了cvFindContours 方法，因为我们只需找出运动区域的轮廓，所以我们需要找到的是物体外部轮廓，因而我们需要查找轮廓的方法为：CV_RETR_EXTERNAL，而生成的轮廓会保存在一个CvSeq中。需要注意的是，我们可以在视频画面中加入画面的平滑处理来去掉一些噪点，比如高斯滤波。

 

其次，既然我们有了运动区域的轮廓，我们就要把这个区域转化为需要被跟踪的点，一种普遍的方法就是我们遍历生成轮廓的CvSeq 中的每一个轮廓，再遍历每一个轮廓中的每个点，把这些点加在一起算出平均值，这个平均值就是这个轮廓的中心点。这种方法虽然正确，但是计算速度比较慢，因为计算量比较大，对于大的轮廓计算的点会非常多。另一种方法则是比较取巧的方法，计算速度很快，效果也非常好。因为我们需要的是对运动物体准确的跟踪，对于定位运动的物体则不需要很精确，只要知道物体在哪里运动就可以了。所以在这里，我们把查找到的每个轮廓用cvMinAreaRect2 转化为CvBox2D类型。这个类型的好处就是可以直接调用CvBox2D 的 Center 变量来生成中心点，这个中心店为轮廓近似四边形的中心点，与轮廓点的平均值点在效果上等价。

 

最后，我们把两帧之间所有运动生成的这些点保存在一个Vector 里，把这个Vector 作为输入点的序列发送到L-K算法中。通过L-K算法计算出这些点在当前帧的运动终点，再在下一帧把这些终点作为起始点再传入L-K算法继续计算。在L-K计算过程中，如果有新的运动的点加入，我们就继续把Vector中的新的点传入到L-K 中。

 

至此，L-K算法的自动跟踪已经完毕，我们可以通过加入一些滤波以及边缘检测来更准确的定位需要跟踪的点，而检测出来的运动点的位移偏量，比如X方向与Y方向，或者Z方向（需要两个摄像头），可以当做参数传入到相应的运动或者显示模块中，产生相对应的效果。