OpenCV实战 | 八种目标跟踪算法

摘要：目标追踪首先，我们会大致介绍八种建立在上的目标跟踪算法。词典包含了种的目标追踪器行。它将目标追踪器的命令行参数字符串映射到实际的追踪器函数上。其中行里的目的是根据追踪器命令行参数以及从得来的相关重要信息。

虽然我们熟知的的质心追踪器表现得很好，但它需要我们在输入的视频上的每一帧运行一个目标探测器。对大多数环境来说，在每帧上进行检测非常耗费计算力。

所以，我们想应用一种一次性的目标检测方法，然后在之后的帧上都能进行目标追踪，使这一任务更加快速、更高效。

这里的问题是：OpenCV能帮我们达到这种目标追踪的目的吗？

答案是肯定的。

OpenCV目标追踪

首先，我们会大致介绍八种建立在OpenCV上的目标跟踪算法。之后我会讲解如何利用这些算法进行实时目标追踪。最后，我们会比较各个OpenCV目标追踪的效果，总结各种方法能够适应的环境。

八种OpenCV目标追踪安装

无人机拍摄的视频，用MedianFlow进行目标追踪

你可能会惊讶OpenCV竟然有八种不同的目标追踪工具，他们都可以运用到计算机视觉领域中。

这八种工具包括：

BOOSTING Tracker：和Haar cascades（AdaBoost）背后所用的机器学习算法相同，但是距其诞生已有十多年了。这一追踪器速度较慢，并且表现不好，但是作为元老还是有必要提及的。（较低支持OpenCV 3.0.0）

MIL Tracker：比上一个追踪器更较精确，但是失败率比较高。（较低支持OpenCV 3.0.0）

KCF Tracker：比BOOSTING和MIL都快，但是在有遮挡的情况下表现不佳。（较低支持OpenCV 3.1.0）

CSRT Tracker：比KCF稍较精确，但速度不如后者。（较低支持OpenCV 3.4.2）

MedianFlow Tracker：在报错方面表现得很好，但是对于快速跳动或快速移动的物体，模型会失效。（较低支持OpenCV 3.0.0）

TLD Tracker：我不确定是不是OpenCV和TLD有什么不兼容的问题，但是TLD的误报非常多，所以不推荐。（较低支持OpenCV 3.0.0）

MOSSE Tracker：速度真心快，但是不如CSRT和KCF的准确率那么高，如果追求速度选它准没错。（较低支持OpenCV 3.4.1）

GOTURN Tracker：这是OpenCV中一深度学习为基础的目标检测器。它需要额外的模型才能运行，本文不详细讲解。（较低支持OpenCV 3.2.0）

我个人的建议：

如果追求高准确度，又能忍受慢一些的速度，那么就用CSRT

如果对准确度的要求不苛刻，想追求速度，那么就选KCF

纯粹想节省时间就用MOSSE

从OpenCV 3开始，目标检测器得到了快速发展，下表总结了不同版本的OpenCV中可食用的追踪器：

开始动手

想要用OpenCV进行目标追踪，首先打开一个新文件，将它命名为opencv_object_tracker.py，然后插入以下代码：

我们开始输入必须的安装包，确保你已经安装了OpenCV（我推荐3.4以上的版本），其次你要安装imutils：

输入安装包后，我们开始分析命令行参数：

我们的命令行参数包括：

--video：到达输入视频文件的替代路线。如果该参数失效，那么脚本将会使用你的网络摄像头。

--tracker：假设默认追踪器设置的是kcf，一整列可能的追踪器代码表示下一个代码块或下方的部分。

让我们处理追踪器的不同类别：

图2中我们提到，并不是所有追踪器都使用OpenCV 3以上的版本。在3.3版本上，同样发生了安装上的变化，在3.3之前，追踪器必须用cv2. Tracker_create创造，并且要在追踪器的名字上用大写字符串标注（22和23行）。

对于3.3以上的版本，每个追踪器可以用各自的函数创造，如cv2. TrackerKCF_create。词典OPENCV_OBJECT_TRACKERS包含了7种OpenCV的目标追踪器（30—38行）。它将目标追踪器的命令行参数字符串映射到实际的OpenCV追踪器函数上。

其中42行里的tracker目的是根据追踪器命令行参数以及从OPENCV_OBJECT_TRACKERS得来的相关重要信息。

注意：这里我没有将GOTURN加入到追踪器设置中因为它还需要额外的模型文件。

我们还对initBB进行初始化（46行），当我们用鼠标选中目标物体时，该变量会显示目标物体的边界框坐标。

接下来，让我们对视频流和FPS进行初始化：

49—52行是访问网络摄像头的步骤，这里我们设定一个一秒钟的暂停时间，好让摄像头传感器进行“热身”。

接着--video命令行参数会出现，所以我们可以从视频文件中对视频流进行初始化（55—56行）。

下面是从视频流中进行帧数迭代循环的步骤：

在65和66行中我们提取一个frame，同时在69和70行处理视频文件中没有帧数的情况。

为了让我们的算法处理帧数的速度更快，我们用resize将输入的视频帧调整为50像素（74行），这里处理的数据越少，速度就会越快。

之后，我们提取视频帧的宽度和高度，之后我们会用到高度（75行）。

目标物体选定之后，我们就可以用以下代码进行处理：

如果目标物体已经被选定，我们需要不断更新目标物体的位置，为了做到这一点，我们在80行使用update方法，它会定位目标物体的新位置并且返回一个success和box值。

如果顺利的话，我们可以在frame中得到更新后的边界框位置。注意，追踪器可能会跟丢目标物并且报错，所以success可能不会一直是True。接着更新FPS估计器。

接着，让我们展示一下frame，以及用鼠标选取目标物体：

我们将展示frame，并且继续迭代循环，键入其他指令才会停止。

当键入“s”后，我们用cv2.selectROI“选择”一个目标ROI。这一函数可以让你在视频暂停的时候手动选择一个ROI：

用户必须画出边界框后按回车或空格键来确定所选区域。如果你需要重新选择，就按“ESCAPE”键。

同样，我们还能用真实的目标探测器来进行手动选择。

最后，如果视频有更多的帧，或者出现了“quit”的情况，如何退出这一循环：

最后一个模块展示了我们如何停止循环，这时所有的指标都输出并且窗口关闭。

目标追踪结果

提示：为了确保你跟上本文的进度，并且用到了文章中的OpenCV方法，请先确保你在“下载资料”中下载了代码和视频。

之后，打开一个终端并执行以下命令：

如果你下载了本教程的源代码和视频，那么--video的可用参数在以下文件中：

american_pharoah.mp4

dashcam_boston.mp4

drone.mp4

nascar_01.mp4

nascar_02.mp4

race.mp4

……

--tracker中的参数在：

csrt

kcf

boosting

mil

tld

medianflow

mosse

你也可以用计算机的摄像头：

总结

这篇文章讲解了如何用OpenCV进行目标物体追踪。具体来说，我们回顾了库里的八种算法：

CSRF

KCF

Boosting

MIL

TLD

MedianFlow

MOSSE

GOTURN

我们可以将OpenCV的这八种追踪器用于不同的任务，包括短跑比赛、赛马、赛车、无人机追踪等高速视频上。如需要文中的代码和视频，请点击下方原文地址获取。

原文地址：www.pyimagesearch.com/2018/07/30/opencv-object-tracking/

声明：文章收集于网络，如有侵权，请联系小编及时处理，谢谢！

商业智能与数据分析群

兴趣范围包括各种让数据产生价值的办法，实际应用案例分享与讨论，分析工具，ETL工具，数据仓库，数据挖掘工具，报表系统等全方位知识

QQ群：81035754