opencv - 如何在opencv中从远处到近处跟踪场景中的对象

Question

我需要跟踪道路上的汽车，可以用GMM监视对象的变化，但是道路上的汽车的大小会从远近改变，建议使用哪种算法来跟踪远近或近距离的物体远？

Answer 1

对于将汽车建模为对象，高斯混合模型(GMM)并不是一个不错的选择，但我不确定如何用它来建模背景，因为它可能更加异构并且需要大量混合。通过EM(期望最大化)学习GMM可能需要大量的处理。因此，我的建议是开始使用简单的直方图，该直方图会将对象建模为具有计数的箱的集合，而不是高斯分布的集合。下面，我描述在OpenCV中实现的两种此类方法。

使用openCV开始跟踪的最简单方法是使用meanshift函数。相关方法Camshift是meanshift的修改版本，当对象更改大小或方向时，该方法还可以校正初始边界框的大小和方向。您可以在openCV软件包的camshiftdemo.c中找到相应的演示。

均值偏移和camshift的输入都是一个概率图，其中每个像素(大约)指示它属于对象(可能是背景)的几率。创建这种 map 的一种方法是计算要跟踪的对象的直方图，然后将其反投影到图像中，因此，例如，如果您的直方图只有两个bin，其中I = 255的计数为90，对于I = 255的计数为10 I = 100，强度为255的每个像素获得90％的概率，强度为100的每个像素获得10％的概率(请参见有关直方图backprojection的详细说明)。

请注意，这些方法基于某些特征的直方图，例如强度，颜色或几乎其他任何特征。您可以尝试添加更多特征直方图，也可以更正将对象直方图与背景直方图相关的概率图。最后，您可以在每一帧更新直方图，以补偿对象和背景的变化。

现在，简而言之，它是如何工作的。顾名思义，meanshift根据概率均值的位置(在该窗口内计算)移动初始窗口，并且该均值通常偏离(偏移)出窗口中心并移向最高概率簇(希望您的对象是)。此过程反复重复，直到收敛为止。

当然，如果您最初的猜测与实际概率最大值相差太远，则该窗口可能会陷入与对象无关的局部最大值。因此，高帧速率很重要，因为它可以确保对象在帧之间移动不大，并且可以将先前的位置用作窗口位置初始化的合理猜测。