在OpenCV里使用Camshift算法的實現

更新時間：2019年11月22日 09:28:46 作者：caimouse

這篇文章主要介紹了在OpenCV里使用Camshift算法的實現，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

前面學習過Meanshift算法，在觀察這個結果標記時，會發(fā)現有這樣一個問題，如下圖：

汽車比較遠時，用一個很小的窗口就可以把它框住，這是符合近大遠小的投影原理，當比較近的時候如下：

相同大小的窗口已經不能包圍它了，那么這樣跟蹤目標對象就成為了一個問題，怎么樣來更改它呢？那么就是Camshift (Continuously Adaptive Meanshift)算法引入的原因了。同時還會有一個問題，怎么樣判斷物體旋轉的方向，這個算法也會解決這樣的問題。這個算法發(fā)表在1998年的論文《Computer Vision Face Tracking for Use in a Perceptual User Interface》里。

這個算法，首先應用meanshift找到最大密度，然后再更新窗口的大小，接著計算最適合外包橢圓；如果不合適又進入一輪迭代過程。直滿足meanshift的條件，并且窗口大小也合適為止。

Camshift函數返回兩個值，第一個值ret是一個旋轉的窗口，第二個值是窗口搜索位置給下一次搜索使用的。例子如下：

#python 3.7.4,opencv4.1
#蔡軍生 https://blog.csdn.net/caimouse/article/details/51749579
#
import numpy as np
import cv2
from matplotlib import pyplot as plt
 
capture = cv2.VideoCapture(1)
if not capture.isOpened:
  print('Unable to open: ')
  exit(0)
  
#獲取第一幀圖片
ret,frame = capture.read()
 
#設置目標窗口
#讀取文件
find = cv2.imread('luohu1.png')
h,w = find.shape[:2]
roi = find[10: 120, 10: 120]
x = 10
y = 10
width = 120 - x
height = 120 - y
track_window = (x, y, w, h)
print(track_window)
#跟蹤目標
hsv_roi = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)
mask = cv2.inRange(hsv_roi, np.array((0., 60.,32.)), np.array((180.,255.,255.)))
roi_hist = cv2.calcHist([hsv_roi],[0],mask,[180],[0,180]) #計算直方圖
cv2.normalize(roi_hist,roi_hist,0,255,cv2.NORM_MINMAX)
 
#設置迭代條件,每10移動一點
term_crit = ( cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 1 )
 
while(1):
  ret, frame = capture.read()
 
  if ret == True:
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    dst = cv2.calcBackProject([hsv],[0],roi_hist,[0,180],1)#反向投影
 
    #使用 meanshift獲得新位置
    ret, track_window = cv2.CamShift(dst, track_window, term_crit)
 
    #顯示標記
    pts = cv2.boxPoints(ret)
    pts = np.int0(pts)
    img2 = cv2.polylines(frame,[pts],True, (255,0,0),2)
    cv2.imshow('img2',img2)
 
    cv2.imshow("dst", dst) 
    cv2.imshow("roi", roi)
    keyboard = cv2.waitKey(1)
    if keyboard == ord('q') or keyboard == ord('Q'):
      break
  else:
    break
 
  
capture.release()
cv2.destroyAllWindows()

結果輸出如下：