python實時目標跟蹤怎么實現

這篇“python實時目標跟蹤怎么實現”文章的知識點大部分人都不太理解，所以小編給大家總結了以下內容，內容詳細，步驟清晰，具有一定的借鑒價值，希望大家閱讀完這篇文章能有所收獲，下面我們一起來看看這篇“python實時目標跟蹤怎么實現”文章吧。

項目介紹

區域性鎖定目標實時動態跟蹤（適用 警方追捕，無人機鎖定拍攝等）

首先先介紹幾種AI視覺算法

特性：

1.BOOSTING:算法原理類似于Harr cascdes(AdaBoost),是一種很老的算法。這個算法速度慢并且不準。

2.MIL：比BOOSTING準一點

3.KCF：速度比BOOSTING和MIL更快，與BOOSTING和MIL一樣不能很好的處理遮擋問題。

4.CSRT:比KCF更準一些，但是速度比KCF慢

5.MedianFlow:對于快速移動的目標和外形比那花迅速的目標效果不好

6.TLD：會產生朵的false-posittives

7.MOSSE：算法速度非常快，但是準確率比不上KCF和CSRT，在一些追求算法的速度場合很適用

8.GOTURN：OpenCV中自帶的唯一一個基于深度學習的算法，運行短發需要提前下載好模型文件

分別對應的伴生的函數：

kcf:cv2.legacy.TrackerKCF_create
csrt:cv2.legacy.TrackerCSRT_create
boosting:cv2.legacy.TrackerBoosting_create
mil:cv2.legacy.TrackerMIL_create
tld:cv2.legacy.TrackerTLD_create
medianflow:cv2.legacy.TrackerMedianFlow_create
mosse:cv2.legacy.TrackerMOSSE_create

詳細代碼講解

導入cv模塊

ret,frame = cap.read()

import cv2

使用csrt算法，引用伴生函數，并賦值給tracker

tracker = cv2.legacy.TrackerCSRT_create()

讀取視頻流

cap = cv2.VideoCapture('11.mp4')

先讀取到第一幀

ret,frame = cap.read()

使用selectROI（前景），畫框將目標框起，并賦值給bbox

bbox = cv2.selectROI('A',frame,fromCenter=False,showCrosshair=True)

初始化tracker，將上面的兩個值傳入

tracker.init(frame,bbox)

讀取每一幀

ret,frame = cap.read()

根據每一幀來更新tracker

ok,box = tracker.update(frame)

若讀取成功，就定位畫框，并跟隨

    if ok :
        (x,y,w,h) = [int(v) for v in box]
        cv2.rectangle(frame,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=2)

顯示視頻流

cv2.imshow('A', frame)

等待50毫秒或按空格鍵退出

    if cv2.waitKey(50) == ord(' '):
        break

 釋放視頻流和釋放窗口

cap.release()
cv2.destroyAllWindows()

完整代碼及注釋：

import cv2
tracker = cv2.legacy.TrackerCSRT_create()#使用csrt算法，引用伴生函數，并賦值給tracker
cap = cv2.VideoCapture('11.mp4')#讀取視頻流
ret,frame = cap.read()#先讀取第一幀
bbox = cv2.selectROI('A',frame,fromCenter=False,showCrosshair=True)#使用selectROI（前景），畫框將目標框起，并賦值給bbox
tracker.init(frame,bbox)#初始化tracker，將上面的兩個值傳入
while True:
    ret,frame = cap.read()#讀取每一幀
    ok,box = tracker.update(frame)#根據每一幀來跟新tracker
    # 若讀取成功，我們就定位畫框，并跟隨
    if ok :
        (x,y,w,h) = [int(v) for v in box]
        cv2.rectangle(frame,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=2)
    cv2.imshow('A', frame)#顯示視頻流
    if cv2.waitKey(50) == ord(' '):#等待50毫秒或鍵盤按空格鍵退出
        break
# 釋放視頻流，釋放窗口
cap.release()
cv2.destroyAllWindows()

區域性全部實時動態目標跟蹤（適用夜視跟蹤，范圍性觀察等）

思路構建

1.先將實時攝像流或錄制視頻流，灰度轉化并高斯模糊

2.用二值化算法將流中的物體輪廓擴充

3.分別先讀到第一幀和第二幀，讓其對比

4.尋找對比后，流的輪廓位置，并開啟簡易模式

5.過濾物體的矩陣輪廓將其定位繪出

詳細代碼講解

導入cv模塊

import cv2

將視頻流轉換并讓其高斯模糊

    gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
    blur = cv2.GaussianBlur(gray,(5,5),0)

二值化擴充

    _,thresh = cv2.threshold(blur,20,255,cv2.THRESH_BINARY)
    dilated = cv2.dilate(thresh,None,iterations=3)
    return dilated

讀取視頻流或實時攝像流

cap = cv2.VideoCapture('11.mp4')

讀取第一幀

ret,frame1 = cap.read()

讀取第二幀

ret,frame2 = cap.read()

判斷cap是否為打開狀態

while cap.isOpened():

若為打開，則第一幀與第二幀比較

diff = cv2.absdiff(frame1,frame2)
mask = filter_img(diff)

尋找比較后的物體輪廓，并開啟簡易模式

contours,_ = cv2.findContours(mask,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

使用方框將視頻流中的物體框出，得到矩陣的寬高

(x,y,w,h) = cv2.boundingRect(contour)

若矩陣的面積小于10（根據視頻流中物體的大小來定義），直接無視

if cv2.contourArea(contour) < 10:

將過濾的物體的矩陣輪廓繪出（一定要用int整形）

cv2.rectangle(frame1,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=1)

將第一幀顯示

cv2.imshow('A',frame1)

將上面賦值的mask顯示

cv2.imshow('B',mask)

實現前后幀對比，并定位物體運動軌跡

1.將第二幀賦值給第一幀

frame1 = frame2

2.再將cap讀到的賦值給第二幀（）

ret,frame2 = cap.read()

等待50毫秒或者按空格結束

    if cv2.waitKey(50) == ord(' '):
        break

釋放視頻流及釋放窗口

cap.release()
cv2.destroyAllWindows()

 完整代碼及注釋：

import cv2
def filter_img(frame):
    #將視頻流轉換灰度并讓其高斯模糊
    gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)
    blur = cv2.GaussianBlur(gray,(5,5),0)
    #二值化將其擴充
    _,thresh = cv2.threshold(blur,20,255,cv2.THRESH_BINARY)
    dilated = cv2.dilate(thresh,None,iterations=3)
    return dilated
# 讀取視頻流
cap = cv2.VideoCapture('11.mp4')
ret,frame1 = cap.read()#讀到第一幀
ret,frame2 = cap.read()#讀到第二幀
while cap.isOpened():#判斷cap是否打開
    diff = cv2.absdiff(frame1,frame2)#若打開，則第一幀和第二幀作比較
    mask = filter_img(diff)
    contours,_ = cv2.findContours(mask,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#尋找視頻流的輪廓，簡單模式
    #用方框將視頻流中的物體用矩形框出
    for contour in contours:
        (x,y,w,h) = cv2.boundingRect(contour)#得到矩陣的寬高
        if cv2.contourArea(contour) < 10:#若矩陣的面積小于200，就無視（太小了）
            continue
        cv2.rectangle(frame1,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=1)#將過濾的物體的矩陣輪廓繪出
    # cv2.drawContours(frame1,contours,-1,(0,255,0),2)#將視頻流中的物體輪廓畫出
    cv2.imshow('A',frame1)#將第一幀顯示
    cv2.imshow('B',mask)#將mask也顯示
    frame1 = frame2#將第二幀賦值給第一幀
    ret,frame2 = cap.read()#再將cap讀到的賦值給第二幀
    if cv2.waitKey(50) == ord(' '):#等待五十毫秒或者按空格結束
        break
#銷毀cap流
cap.release()
#釋放窗口
cv2.destroyAllWindows()

以上就是關于“python實時目標跟蹤怎么實現”這篇文章的內容，相信大家都有了一定的了解，希望小編分享的內容對大家有幫助，若想了解更多相關的知識內容，請關注億速云行業資訊頻道。