Opencv-Python项目（1） | 基于meanshiftT算法的运动目标跟踪技术学习

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了Opencv-Python项目（1） | 基于meanshiftT算法的运动目标跟踪技术学习，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含2046字，纯文字阅读大概需要3分钟。

内容图文

资料学习

目标跟踪（object tracking）就是在连续的视频序列中，建立所要跟踪物体的位置关系，得到物体完整的运动轨迹。

目标跟踪分为单目标跟踪和多目标跟踪。本文如无特别指出，均指单目标跟踪。

通常的做法是：

1.在第1帧给一个bbox框住需要跟踪的物体。

2.在不借助重检测（re-detection）的情况下，尽可能长时间的跟住物体。

3.不能使用依赖外部特征的姿态估计（pose estimation）。

当然这是针对目标跟踪算法的要求，至于实际产品中，对象的重检测以及依赖外部特征的姿态估计都是必不可少的。

比如，自动驾驶领域的车辆跟踪，一般都会针对车辆的运动特点建立模型，以辅助目标跟踪。

 

 

 

点跟踪：在连续帧中检测到的目标被表达为点。这种方法需要引入其它方法来进行目标检测。

 

核跟踪：关联与目标的形状和外观表达。核函数可以是关联与一个直方图的矩形或椭圆模板。目标通过在连续帧中计算核的运动来跟踪。运动可以是参数形式的平移、旋转或仿射等。

 

轮廓跟踪：由在每帧中估计目标区域进行跟踪。轮廓跟踪方法用到的信息可以是外观密度和形状模型。给定目标模型，轮廓由形状匹配或轮廓推导得到。这些方法都可以视作时域上的目标分割。

 

按照是否依赖先验知识可分为两类：

 

1.不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标；

 

2.依赖于目标的先验知识，首先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。

 

按照摄像机是否固定，可分为：

 

1.静态背景。

 

2.运动场。摄像机的运动形式可以分为两种：a)摄像机的支架固定，但摄像机可以偏转、俯仰以及缩放; b)将摄像机装在某个移动的载体上。

 

经典的目标跟踪算法主要有：meanshift、camshift、Kalman filter、particle filter、Optical flow、TLD、KCF、Struck等。

 

参考：

 

https://blog.csdn.net/app_12062011/article/details/48436959

 

目标跟踪算法的分类（一）

 

https://blog.csdn.net/app_12062011/article/details/51760256

 

目标跟踪算法的分类（二）

 

https://blog.csdn.net/app_12062011/article/details/52277537

 

目标跟踪算法的分类（三）

 

参考

https://antkillerfarm.github.io/graphics/2018/07/29/graphics_8.html

 

https://www.zhihu.com/question/26493945

 

计算机视觉中，目前有哪些经典的目标跟踪算法？

 

https://mp.weixin.qq.com/s/Wz-loMz1oOlxtm10gazQRg

 

目标检测（Object Detection）和目标跟踪（Object Tracking）的区别

 

 

 

 

内容总结

以上是互联网集市为您收集整理的Opencv-Python项目（1） | 基于meanshiftT算法的运动目标跟踪技术学习全部内容，希望文章能够帮你解决Opencv-Python项目（1） | 基于meanshiftT算法的运动目标跟踪技术学习所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---