機器學習進階-目標跟蹤-KCF目標跟蹤方法 1.cv2.multiTracker_create(構造選框集合) 2. cv2.TrackerKCF_create(獲得KCF追蹤器) 3. cv2.resize(變化圖像大小) 4.cv2.selectROI(在圖像上框出選框)

1. tracker = cv2.multiTracker_create() 獲得追蹤的初始化結果

2.cv2.TrackerKCF_create() 獲得KCF追蹤器

3.cv2.resize(frame, (w, h), cv2.INTER_AEAR)  # 進行圖像大小的重新變化
參數說明：frame表示輸入圖片，(w, h) 表示變化后的長和寬， cv2.INTER_AEAR表示插值的方法

4.cv2.selectROI(‘Frame’, frame, fromCenter=False，showCrosshair） 在圖像上進行選框操作
參數說明：‘Frame'表示圖片的名字，frame表示讀取的圖片，fromCenter表示選框的起點是否在中心位置，showCrosshair表示是否展示選框

KCF是一種鑒別式追蹤方法，這類方法一般在追蹤過程中訓練一個目標檢測器，使用目標檢測器與預測下一個階段預測位置是否是目標，然后使用新檢測結果去跟新訓練集而跟新目標檢測其

 

KCF貢獻

1.使用脊回歸訓練目標檢測器，成功利用循環矩陣在傅里葉空間對角化的性質，將矩陣的運算轉換為向量的Hadamad積，即元素的點乘，大大降低了運算量，提高了運算速度

    1.脊回歸，在原有的基礎上引入了λ|w^2| 為了防止過擬合的出現，即w的分布更小且更加均勻(0, 0, 0, 1) 和 (0.25, 0.25, 0.25, 0.25), 對w進行求導，導數為0，解得w

   2.循環矩陣，即訓練圖像都是通過目標樣本的循環位移得到的， 通過PxQ進行x軸和y軸的平移變化

   

    3.傅氏空間矩陣對角化, 即對上述的循環空間做一個傅里葉變化

     4. 將循環矩陣x帶入到脊回歸進行求解

最后做的一個總結部分

參考鏈接：https://www.cnblogs.com/YiXiaoZhou/p/5925019.html

代碼：

第一步: 進行 argparse參數設置

第二步：使用字典構造已有的追蹤目標的方法

第三步：使用cv2.multiTracker_create() 構造出追蹤器集合trackers

第四步：使用cv2.capture進行視頻的讀入

第五步：while True循環，使用cv2.read() 讀入圖片

第六步：使用cv2.resize進行圖片的放縮變換

第七步：trackers.apply(frame)對圖片運用追蹤算法

第八步：循環boxes對圖像進行畫圖操作
第九步：展示圖片，

第十步：並判斷按鍵，如果按s,進行box的添加，如果按ESC鍵就退出

第十一步：如果按s，使用box = cv2.selectROI()進行區域的選擇，並使用trackers.add將追蹤器和圖片，以及區域進行添加

import argparse
import cv2
import time

# 第一步進行參數設置
ap = argparse.ArgumentParser()
ap.add_argument('-v', '--video', type=str, default='videos/soccer_01.mp4',
                help='path to input video file')
ap.add_argument('-t', '--tracker', type=str,
                default='kcf', help='Opencv object tracker type')

args = vars(ap.parse_args())


# opencv已經實現的追蹤算法
# 第二步：構造cv2已有追蹤算法的列表
OPENCV_OBJECT_TRACKERS = {
    "csrt": cv2.TrackerCSRT_create,
    "kcf": cv2.TrackerKCF_create,
    "boosting": cv2.TrackerBoosting_create,
    "mil": cv2.TrackerMIL_create,
    "tld": cv2.TrackerTLD_create,
    "medianflow": cv2.TrackerMedianFlow_create,
    "mosse": cv2.TrackerMOSSE_create
}

# 第三步：實例化追蹤器
# 實例化Opencv's multi-object tracker
trackers = cv2.MultiTracker_create()

# 第四步：使用cv2.VideoCapture讀取視頻
vs = cv2.VideoCapture(args['video'])

while True:
    # 第五步：讀入第一張圖片
    frame = vs.read()
    frame = frame[1]
    # 到頭了就結束
    if frame is None:
        break

    # 第六步：使用cv2.resize對圖像進行長寬的放縮操作
    h, w = frame.shape[:2]
    width = 600
    r = width / float(w)
    dim = (width, int(r * h))
    frame = cv2.resize(frame, dim, cv2.INTER_AREA)

    # 第七步：使用trackers.apply獲得矩形框
    (success, boxes) = trackers.update(frame)

    # 第八步：循環多組矩形框，進行畫圖操作
    for box in boxes:
        (x, y, w, h) = [int(v) for v in box]
        cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

    # 第九步：進行圖像展示
    cv2.imshow('Frame', frame)

    # 第十步：判斷按鍵，如果是s的話，進行畫出新的box
    key = cv2.waitKey(100) & 0xff

    if key == ord('s'):
        # 第十一步：選擇一個區域，按s鍵，並將tracker追蹤器，frame和box傳入到trackers中
        box = cv2.selectROI('Frame', frame, fromCenter=False,
                            showCrosshair=True)
        tracker = OPENCV_OBJECT_TRACKERS[args['tracker']]()
        trackers.add(tracker, frame, box)

    elif key == 27:
        break


vs.release()
cv2.destroyAllWindows()

  

                                    區域選擇                                                                                                   追蹤效果