Opencv学习记录【八】——目标跟踪与adboost检测+对比

无论是人脸检测类还是自己训练分类器来识别物体，ｏｐｅｎｃｖ的ａｄｂｏｏｓｔ（linux 下opencv的adboost使用方法）都为我们提供了便捷快速的接口。但对于长时间的检测或每帧都要进行处理来说，ｏｐｅｎｃｖ还为我们提供了更加快速稳定的跟踪算法。这次记录的是利用ｏｐｅｎｃｖ的人脸检测与其跟踪算法做对比，在检测目标运动不是很快的情况下，跟踪算法在稳定性和运行速度上都更胜一筹。
下面运用人脸检测第一帧然后之后进行跟踪该帧的检测目标，与每帧都进行检测作为对比，判断因素为帧率和检测框的稳定性。

行人检测函数：

//识别行人，返回ｒｅｃｔ
int adboost_detect(cv::Mat image)
{
	cv::Mat image_gray;
	
	if(image.empty()){
		cout <<"open image false"<<endl;
		return 1; 
	}
	cv::cvtColor(image,image_gray,CV_BGR2GRAY);
	cv::equalizeHist(image_gray,image_gray);     
	ped_cascade.detectMultiScale(image_gray, pedRect, 1.2, 2, 0 |CV_HAAR_SCALE_IMAGE, cv::Size(30, 30)); 
        for(int i = 0;i < pedRect.size();i++)    
	{
/*
		cv::Point p3[pedRect.size()],p4[pedRect.size()];  
        	p3[i].x =  cvRound(pedRect[i].x); 
	        p3[i].y =  cvRound(pedRect[i].y);
	        p4[i].x =  cvRound((pedRect[i].x +pedRect[i].width)); 
	        p4[i].y =  cvRound((pedRect[i].y +pedRect[i].height)); 
	        cv::rectangle(image, p3[i],p4[i],  colors[0]);
*/
		cv::rectangle(image,pedRect[i] ,  colors[0],2);
	}
	cv::imshow("result",image);
	return 0;
}

上图为自己训练出的行人检测，文末有代码下载链接（想赚点积分…）包含adboost训练脚本、训练好的分类器及测试代码。

上图用的MEDIANFLOW跟踪算法。跟踪算法的学习参考这里。

完整代码（py）：

#!/us