使用OpenCV的Camshift跟踪对象

2025年3月17日 | 阅读 3 分钟

在计算机视觉领域，对象跟踪在监视、汽车安全系统和增强现实等各种应用中发挥着关键作用。CamShift（连续自适应均值漂移）算法与 OpenCV 库结合使用，是一种用于对象跟踪的强大且广泛使用的算法。在本文中，我们将深入研究 CamShift 的复杂性，并探讨如何使用它来有效地实时跟踪对象。

了解 CamShift 算法

CamShift（连续自适应均值漂移）算法是一种强大的计算机视觉技术，用于在视频或图像序列中跟踪对象。它建立在均值漂移算法的基础上，并增加了自适应调整跟踪窗口大小和方向的能力，使其适用于可能发生缩放和旋转变化的对象。

CamShift 的优点在于其持续的自适应性。在每次迭代后，该算法都会根据均值漂移向量调整跟踪窗口的大小和方向。这种自适应过程确保了该算法能够处理对象尺度和旋转的变化，使其特别适用于目标对象发生此类转换的场景。

CamShift 的工作结构

CamShift 算法基于颜色信息，并在图像或帧的色彩空间中运行。它使用指定感兴趣区域 (ROI) 内的颜色值的直方图来跟踪感兴趣的对象。以下是 CamShift 算法的工作原理

初始化：该算法首先通过在第一帧中要跟踪的对象周围选择一个初始的感兴趣区域 (ROI) 来启动。该 ROI 用作跟踪窗口。
直方图计算：在 HSV（色相、饱和度、值）等色彩空间中计算所选 ROI 的颜色直方图。直方图表示 ROI 内颜色的分布。
反向投影：在每个后续帧中，将 ROI 的直方图反向投影到整个帧上。此反向投影创建一个概率图，该图突出显示与 ROI 直方图中颜色相似的区域。
均值漂移迭代：均值漂移算法应用于反向投影的概率图。均值漂移计算概率分布的质心，并将跟踪窗口移动到这个新的质心。

要求

OpenCV 安装：OpenCV 是一个流行的计算机视觉库，它提供了图像和视频处理所需的工具，包括使用 CamShift 进行对象跟踪。您需要安装 OpenCV 才能使用其功能。使用以下命令安装 OpenCV

集成开发环境 (IDE)：您需要一个可以编写、运行和调试 Python 代码的环境。有几个选项可用，例如 Visual Studio Code、PyCharm、Jupyter Notebook 等。选择您最习惯的一个。

导入库

import cv2
import numpy as np

代码实现

import numpy as np
import cv2 as cv

# Read the input video
cap = cv.VideoCapture('sample.mp4')

# Take first frame of the video
ret, frame = cap.read()

# Setup initial region of tracker
x, y, width, height = 400, 440, 150, 150
track_window = (x, y, width, height)

# Set up the Region of Interest for tracking
roi = frame[y:y + height, x:x + width]

# Convert ROI from BGR to HSV format
hsv_roi = cv.cvtColor(roi, cv.COLOR_BGR2HSV)

# Perform masking operation
mask = cv.inRange(hsv_roi, np.array((0., 60., 32.)), np.array((180., 255., 255)))

roi_hist = cv.calcHist([hsv_roi], [0], mask, [180], [0, 180])
cv.normalize(roi_hist, roi_hist, 0, 255, cv.NORM_MINMAX)

# Setup the termination criteria, either 15 iterations or move by at least 2 points
term_crit = (cv.TERM_CRITERIA_EPS | cv.TERM_CRITERIA_COUNT, 15, 2)

while(1):
    ret, frame = cap.read()
    
    # Resize the video frames
    frame = cv.resize(frame, (720, 720), fx=0, fy=0, interpolation=cv.INTER_CUBIC)
    cv.imshow('Original', frame)

    # Perform thresholding on the video frames
    ret1, frame1 = cv.threshold(frame, 180, 155, cv.THRESH_TOZERO_INV)

    # Convert from BGR to HSV format
    hsv = cv.cvtColor(frame1, cv.COLOR_BGR2HSV)

    dst = cv.calcBackProject([hsv], [0], roi_hist, [0, 180], 1)

    # Apply CamShift to get the new location
    ret2, track_window = cv.CamShift(dst, track_window, term_crit)

    # Draw it on the image
    pts = cv.boxPoints(ret2)
    pts = np.int0(pts)

    # Draw Tracking window on the video frame
    Result = cv.polylines(frame, [pts], True, (0, 255, 255), 2)
    cv.imshow('Camshift', Result)

    # Set ESC key as the exit button
    k = cv.waitKey(30) & 0xff
    if k == 27:
        break

# Release the cap object
cap.release()

# Close all opened windows
cv.destroyAllWindows()

输出

Track objects with Camshift using OpenCV

下一主题#

使用OpenCV的Camshift跟踪对象

了解 CamShift 算法

CamShift 的工作结构

要求

代码实现

联系信息

关注我们

教程

面试题

在线编译器

Python

Java

.Net Framework

AI, ML and Data Science

Cloud Technology

B.Tech and MCA

Web Technology

PHP

Software Testing

Technical Interview

Java Interview

Python

Web Interview

Database Interview

B.Tech / MCA

Important Interview

Software Testing Interview

Company Interviews

Online Compilers

Multiple Choice Questions

OpenCV教程

使用OpenCV的Camshift跟踪对象

了解 CamShift 算法

CamShift 的工作结构

要求

代码实现

相关帖子

OpenCV模板匹配

OpenCV腐蚀和膨胀

OpenCV教程

OpenCV图像阈值

OpenCV高斯模糊

读取和保存图像

使用Python中的OpenCV计算图像中人脸的数量

人脸识别和人脸检测

OpenCV视频捕获

图像的基本操作

订阅 Tpoint Tech

联系信息

关注我们

教程

面试题

在线编译器