Opencv -- 基于光流的对象跟踪

最新推荐文章于 2024-10-14 21:54:19 发布

原创

最新推荐文章于 2024-10-14 21:54:19 发布 · 1.8k 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#opencv #计算机视觉 #人工智能

本文介绍了光流的基本原理，包括稀疏光流的KLT算法和稠密光流的HF方法。在稀疏光流中，通过Lucas-Kanade迭代法跟踪特征点，而在稠密光流中，所有像素点都被比较以检测运动。OpenCV库提供了goodFeaturesToTrack和calcOpticalFlowPyrLK等API用于角点检测和光流计算。代码示例展示了如何使用这些API进行稀疏和稠密光流跟踪。

1. 基本原理

2. 稀疏光流 - KLT

稀疏光流 -- 流程：

3. 稠密光流 - HF

稠密光流跟踪是将当前帧的所有像素点与前一帧比较，有变化的标记出来。对比的点比较多，不是对比变化的那几个特征点。所以速度较慢。没有稀疏光流的速度快。但有的时候效果比稀疏光流要好。

4. 相关API

（1）opencv中的goodFeaturesToTrack函数可以计算Harris角点和shi-tomasi角点，但默认情况下计算的是shi-tomasi角点，函数原型如下：

void cv::goodFeaturesToTrack( InputArray _image, OutputArray _corners,
                              int maxCorners, double qualityLevel, double minDistance,
                              InputArray _mask, int blockSize,
                              bool useHarrisDetector, double harrisK )

参数解释：

image：8位或32位浮点型输入图像，单通道

corners：保存检测出的角点

maxCorners：角点数目最大值，如果实际检测的角点超过此值，则只返回前maxCorners个强角点

qualityLevel：角点的品质因子

minDistance：对于初选出的角点而言，如果在其周围minDistance范围内存在其他更强角点，则将此角点删除

mask：指定感兴趣区，如不需在整幅图上寻找角点，则用此参数指定ROI

blockSize：计算协方差矩阵时的窗口大小

useHarrisDetector：指示是否使用Harris角点检测，如不指定，则计算shi-tomasi角点

harrisK：Harris角点检测需要的k值

（2）计算一个稀疏