机器学习进阶-目标跟踪-KCF目标跟踪方法 1.cv2.multiTracker_create(构造选框集合) 2. cv2.TrackerKCF_create(获得KCF追踪器) 3. cv2.re...

1. tracker = cv2.multiTracker_create() 获得追踪的初始化结果

2.cv2.TrackerKCF_create() 获得KCF追踪器

3.cv2.resize(frame, (w, h), cv2.INTER_AEAR)  # 进行图像大小的重新变化
参数说明：frame表示输入图片，(w, h) 表示变化后的长和宽， cv2.INTER_AEAR表示插值的方法

4.cv2.selectROI(‘Frame’, frame, fromCenter=False，showCrosshair） 在图像上进行选框操作
参数说明：‘Frame'表示图片的名字，frame表示读取的图片，fromCenter表示选框的起点是否在中心位置，showCrosshair表示是否展示选框

KCF是一种鉴别式追踪方法，这类方法一般在追踪过程中训练一个目标检测器，使用目标检测器与预测下一个阶段预测位置是否是目标，然后使用新检测结果去跟新训练集而跟新目标检测其

 

KCF贡献

1.使用脊回归训练目标检测器，成功利用循环矩阵在傅里叶空间对角化的性质，将矩阵的运算转换为向量的Hadamad积，即元素的点乘，大大降低了运算量，提高了运算速度

    1.脊回归，在原有的基础上引入了λ|w^2| 为了防止过拟合的出现，即w的分布更小且更加均匀(0, 0, 0, 1) 和 (0.25, 0.25, 0.25, 0.25), 对w进行求导，导数为0，解得w

   2.循环矩阵，即训练图像都是通过目标样本的循环位移得到的， 通过PxQ进行x轴和y轴的平移变化

   

    3.傅氏空间矩阵对角化, 即对上述的循环空间做一个傅里叶变化

     4. 将循环矩阵x带入到脊回归进行求解

最后做的一个总结部分

参考链接：https://www.cnblogs.com/YiXiaoZhou/p/5925019.html

代码：

第一步: 进行 argparse参数设置

第二步：使用字典构造已有的追踪目标的方法

第三步：使用cv2.multiTracker_create() 构造出追踪器集合trackers

第四步：使用cv2.capt