opencv3/C++如何實現光流點追蹤

這篇文章主要介紹了opencv3/C++如何實現光流點追蹤，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

光流金字塔

calcOpticalFlowPyrLK()函數參數說明：

void calcOpticalFlowPyrLK(
InputArray prevImg, //第一個8位輸入圖像或者通過 buildOpticalFlowPyramid()建立的金字塔
InputArray nextImg,//第二個輸入圖像或者和prevImg相同尺寸和類型的金字塔
InputArray prevPts, //二維點向量存儲找到的光流；點坐標必須是單精度浮點數
InputOutputArray nextPts,//輸出二維點向量（用單精度浮點坐標）包括第二幅圖像中計算的輸入特征的新點位置；當OPTFLOW_USE_INITIAL_FLOW 標志通過，向量必須有和輸入一樣的尺寸。
OutputArray status, //輸出狀態向量（無符號char）；如果相應的流特征被發現，向量的每個元素被設置為1，否則，被置為0.
OutputArray err,//輸出錯誤向量；向量的每個元素被設為相應特征的一個錯誤，誤差測量的類型可以在flags參數中設置；如果流不被發現然后錯誤未被定義（使用status（狀態）參數找到此情形）。
Size winSize = Size(21,21), //在每個金字塔水平搜尋窗口的尺寸。
int maxLevel = 3,//最大金字塔層數; 如果設置為0，則不使用金字塔（單層），如果設置為1，則使用兩個層次，依此類推; 如果將金字塔傳遞給輸入，則算法將使用與金字塔一樣多的級別，但不超過maxLevel。
TermCriteria criteria = TermCriteria(TermCriteria::COUNT+TermCriteria::EPS, 30, 0.01),//指定迭代搜索算法的終止標準（指定的最大迭代次數criteria.maxCount或搜索窗口移動小于criteria.epsilon）
int flags = 0, //操作標志
double minEigThreshold = 1e-4 //計算光流方程的2×2標準矩陣的最小特征值除以窗口中的像素數量;如果這個值小于minEigThreshold，那么一個相應的特征被過濾出來，且它的光流不被處理，所以它允許去除壞點提升性能。
);

#include<opencv2/opencv.hpp>
using namespace cv;

//光流跟蹤
Mat frame, gray, pr_frame, pr_gray;
std::vector<Point2f> inPoints;
std::vector<Point2f> fpts[2];
void trackFeature();

int main()
{
  VideoCapture capture;
  capture.open(0);
  if(!capture.isOpened())
  {
    printf("can not open the camear......\n");
    return -1;
  }
  namedWindow("input", CV_WINDOW_AUTOSIZE);
  namedWindow("output", CV_WINDOW_AUTOSIZE);

  while (capture.read(frame))
  {  
    cvtColor(frame, gray, COLOR_BGR2GRAY);
    if (fpts[0].size() < 40)
    {
      imshow("input", frame);
      std::vector<Point2f> features;
      //角點檢測
      goodFeaturesToTrack(gray, features, 300, 0.01, 10);
      fpts[0].insert(fpts[0].end(), features.begin(), features.end());
      inPoints.insert(inPoints.end(), features.begin(), features.end());
    }
    else
      printf("object tracking......\n"); 
    if (pr_gray.empty()) 
      gray.copyTo(pr_gray);
    trackFeature();
    for (int i = 0; i < fpts[0].size(); i++) 
      circle(frame, fpts[0][i], 2, Scalar(0,255,0),2,8,0);
    gray.copyTo(pr_gray);
    frame.copyTo(pr_frame);
    imshow("output", frame);
    waitKey(1);
  }
  waitKey(0);
  capture.release();
  return 0;
}


void trackFeature()
{
  std::vector<uchar> status;
  std::vector<float> errors;
  //計算稀疏特征集的光流
  calcOpticalFlowPyrLK(pr_gray, gray, fpts[0], fpts[1], status, errors);
  int k = 0;
  for (int i = 0; i < fpts[1].size(); i++)
  {
    double dist = abs(fpts[0][i].x-fpts[1][i].x) + abs(fpts[0][i].y-fpts[1][i].y);
    if (dist > 2 && status[i])
    {
      inPoints[k] = inPoints[i];
      fpts[1][k++] = fpts[1][i];
    }
  }
  inPoints.resize(k);
  fpts[1].resize(k);
  //繪制光流軌跡
  RNG rng(0); 
  for (int i = 0; i < fpts[0].size(); i++)
  {
    Scalar color = Scalar(rng.uniform(0,255),rng.uniform(0,255),rng.uniform(0,255));
    line(frame, inPoints[i], fpts[1][i], color,2);
    circle(frame, fpts[1][i], 2, Scalar(0,255,255),2);
  }
  std::swap(fpts[1], fpts[0]);
}

感謝你能夠認真閱讀完這篇文章，希望小編分享的“opencv3/C++如何實現光流點追蹤”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!