这篇“OpenCV怎么使用稀疏光流实现视频对象跟踪”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“OpenCV怎么使用稀疏光流实现视频对象跟踪”文章吧。
案例：使用稀疏光流实现对象跟踪
稀疏光流API介绍：
calcOpticalFlowPyrLK( InputArray prevImg, InputArray nextImg, InputArray prevPts, InputOutputArray nextPts, OutputArray status, OutputArray err, Size winSize = Size(21,21), int maxLevel = 3, TermCriteria criteria = TermCriteria(TermCriteria::COUNT+TermCriteria::EPS, 30, 0.01), int flags = 0, double minEigThreshold = 1e-4 );
prevImg：视频前一帧图像/金字塔，单通道CV_8UC1
nextImg：视频后一帧图像/金字塔，单通道CV_8UC1
preVPts：前一帧图像的特征向量（输入）需要找到流的2D点的矢量(vector of 2D points for which the flow needs to be found;);点坐标必须是单精度浮点数
nextPts：后一帧图像的特征向量（输出），输出二维点的矢量（具有单精度浮点坐标），包含第二图像中输入特征的计算新位置;当传递OPTFLOW_USE_INITIAL_FLOW标志时，向量必须与输入中的大小相同。
status：输出状态向量（无符号字符）;如果找到相应特征的流，则向量的每个元素设置为1，否则设置为0
err：输出错误的矢量; 向量的每个元素都设置为相应特征的错误，错误度量的类型可以在flags参数中设置; 如果未找到流，则未定义错误（使用status参数查找此类情况）
winSize：每个金字塔等级的搜索窗口的winSize大小
maxLevel：基于0的最大金字塔等级数;如果设置为0，则不使用金字塔（单级），如果设置为1，则使用两个级别，依此类推;如果将金字塔传递给输入，那么算法将使用与金字塔一样多的级别，但不超过maxLevel
criteria：停止条件，指定迭代搜索算法的终止条件（在指定的最大迭代次数criteria.maxCount之后或当搜索窗口移动小于criteria.epsilon时）。
flags：操作标志，OPTFLOW_USE_INITIAL_FLOW使用初始估计，存储在nextPts中;如果未设置标志，则将prevPts复制到nextPts并将其视为初始估计。
OPTFLOW_LK_GET_MIN_EIGENVALS使用最小特征值作为误差测量（参见minEigThreshold描述）;如果没有设置标志，则将原稿周围的色块和移动点之间的L1距离除以窗口中的像素数，用作误差测量
minEigThreshold：算法计算光流方程的2x2正常矩阵的最小特征值，除以窗口中的像素数;如果此值小于minEigThreshold，则过滤掉相应的功能并且不处理其流程，因此它允许删除坏点并获得性能提升
算法实现步骤：
1.实例化VideoCapture
2.循环读取视频数据
3.视频帧灰度转换
4.执行角点检测
5.保存角点检测的特征数据
6.初始化时如果检测到前一帧为空，把当前帧的灰度图像给前一帧
7.执行光流跟踪，并输出跟踪后的特征向量
8.遍历光流跟踪的输出特征向量，并得到距离和状态都符合预期的特征向量。让后将其重新填充到fpts[1]中备用
9.重置集合大小
10.绘制光流线
11.交换特征向量的输入和输出
12.将用于跟踪的角点绘制出来
13.展示最终的跟踪效果
14.循环3~13步骤
15.结束
KLT_Object_Tracking::KLT_Object_Tracking(QWidget *parent)
: MyGraphicsView{parent}
{
isShowLine = false;
this->setWindowTitle("KLT稀疏光流实现对象跟踪");
QPushButton *btn = new QPushButton(this);
btn->setText("选择视频");
connect(btn,&QPushButton::clicked,[=](){
//选择视频
path = QFileDialog::getOpenFileName(this,"请选择视频","/Users/yangwei/Downloads/",tr("Image Files(*.mp4 *.avi)"));
qDebug()<<"视频路径："<<path;
startKltTracking(path.toStdString().c_str());
});
//
QButtonGroup * group = new QButtonGroup(this);
QRadioButton * radioNo = new QRadioButton(this);
radioNo->setText("否");
radioNo->setChecked(true);
QRadioButton *radioYes = new QRadioButton(this);
radioYes->setText("是");
group->addButton(radioNo,0);
group->addButton(radioYes,1);
radioNo->move(0,btn->y()+btn->height()+20);
radioYes->move(radioNo->x()+radioNo->width()+20,btn->y()+btn->height()+20);
connect(radioNo,&QRadioButton::clicked,[=](){
isShowLine = false;//显示光流线
});
connect(radioYes,&QRadioButton::clicked,[=](){
isShowLine = true;//不显示光流线
});
}
void KLT_Object_Tracking::startKltTracking(const char* filePath){
//【1】实例化VideoCapture并打开视频
VideoCapture capture;//实例化视频捕获器
capture.open(filePath);//打开视频文件（或摄像头）
if(!capture.isOpened()){//检测文件是否打开，如果没打开直接退出
qDebug()<<"无法打开视频";
return;
}
Mat frame,gray;
vector<Point2f> features;//检测出来的角点集合
vector<Point2f> inPoints;//这个主要是为了画线用的
vector<Point2f> fpts[2];//[0],存入的是是二维特征向量，[1]输出的二维特征向量
Mat pre_frame,pre_gray;
vector<uchar> status;//光流输出状态
vector<float> err;//光流输出错误
//【2】循环读取视频
while(capture.read(frame)){//循环读取视频中每一帧的图像
//【3】将视频帧图像转为灰度图
cvtColor(frame,gray,COLOR_BGR2GRAY);//ps：角点检测输入要求单通道
//【4】如果特征向量（角点）小于40个我们就重新执行角点检测
if(fpts[0].size()<40){//如果小于40个角点就重新开始执行角点检测
//执行角点检测
goodFeaturesToTrack(gray,features,5000,0.01,10,Mat(),3,false,0.04);
//【5】将检测到的角点放入fpts[0]中作为，光流跟踪的输入特征向量
//将检测到的角点插入vector
fpts[0].insert(fpts[0].begin(),features.begin(),features.end());
inPoints.insert(inPoints.end(),features.begin(),features.end());
qDebug()<<"角点检测执行完成，角点个数为："<<features.size();
}else{
qDebug()<<"正在跟踪...";
}
//【6】初始化的时候如果检测到前一帧为空，这个把当前帧的灰度图像给前一帧
if(pre_gray.empty()){//如果前一帧为空就给前一帧赋值一次
gray.copyTo(pre_gray);
}
//执行光流跟踪
qDebug()<<"开始执行光流跟踪";
//【7】执行光流跟踪，并将输出的特征向量放入fpts[1]中
calcOpticalFlowPyrLK(pre_gray,gray,fpts[0],fpts[1],status,err);
qDebug()<<"光流跟踪执行结束";
//【8】遍历光流跟踪的输出特征向量，并得到距离和状态都符合预期的特征向量。让后将其重新填充到fpts[1]中备用
int k =0;
for(size_t i=0;i<fpts[1].size();i++){//循环遍历二维输出向量
double dist = abs(fpts[0][i].x - fpts[1][i].x) + abs(fpts[0][i].y - fpts[1][i].y);//特征向量移动距离
if(dist>2&&status[i]){//如果距离大于2，status=true（正常）
inPoints[k] = inPoints[i];
fpts[1][k++] = fpts[1][i];
}
}
//【9】重置集合大小（由于有错误/不符合条件的输出特征向量），只拿状态正确的
//重新设置集合大小
inPoints.resize(k);
fpts[1].resize(k);
//【10】绘制光流线，这一步要不要都行
//绘制光流线
if(isShowLine){
for(size_t i = 0;i<fpts[1].size();i++){
line(frame,inPoints[i],fpts[1][i],Scalar(0,255,0),1,8,0);
circle(frame, fpts[1][i], 2, Scalar(0, 0, 255), 2, 8, 0);
}
}
qDebug()<<"特征向量的输入输出交换数据";
//【11】交换特征向量的输入和输出，（循环往复/进入下一个循环），此时特征向量的值会递减
std::swap(fpts[1],fpts[0]);//交换特征向量的输入和输出，此处焦点的总数量会递减
//【12】将用于跟踪的角点绘制出来
//将角点绘制出来
for(size_t i = 0;i<fpts[0].size();i++){
circle(frame,fpts[0][i],2,Scalar(0,0,255),2,8,0);
}
//【13】重置前一帧图像（每一个循环都要刷新）
gray.copyTo(pre_gray);
frame.copyTo(pre_frame);
//【14】展示最终的效果
imshow("frame",frame);
int keyValue = waitKey(100);
if(keyValue==27){//如果用户按ese键退出播放
break;
}
}
}以上就是关于“OpenCV怎么使用稀疏光流实现视频对象跟踪”这篇文章的内容，相信大家都有了一定的了解，希望小编分享的内容对大家有帮助，若想了解更多相关的知识内容，请关注亿速云行业资讯频道。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
