稀疏光流 python 稀疏光流 目标跟踪 识别

稀疏光流跟踪(KLT)

稀疏光流跟踪(KLT)详解

在视频移动对象跟踪中，稀疏光流跟踪是一种经典的对象跟踪算法，可以绘制运动对象的跟踪轨迹与运行方向，是一种简单、实时高效的跟踪算法，这个算法最早是有Bruce D. Lucas and Takeo Kanade两位作者提出来的，所以又被称为KLT。KLT算法工作有三个假设前提条件:

亮度恒定 短距离移动 空间一致性

亮度恒定

对象中任意像素点p(x,y)亮度值，在t-1时候的值，在t时刻移动(u, v)之后亮度值保持不变

空间一致性

假设对像素点p(x, y)来说，周围的像素点都保持相同的移动距离(u, v) 假设窗口大小为5x5，则对于25个窗口内的像素点来说，就会如下等式成立:

大图模式

得到下面的过约束等式，根据最小二乘可以求解(u, v):

这样我们就得到了KLT光流等式与该窗口的的Hessian矩阵

大图模式

大图模式

空间尺度不变性

通过建立每一帧的图像金字塔，实现尺度空间窗口目标对象搜索

OpenCV中KLT演示代码实现

OpenCV中KLT算法API及其参数解释如下:

voidcv::calcOpticalFlowPyrLK(
InputArray prevImg,// 前一帧图像
InputArray nextImg,// 后一帧图像
InputArray prevPts,// 前一帧的稀疏光流点
InputOutputArray nextPts,// 后一帧光流点
OutputArray status,// 输出状态，1 表示正常该点保留，否则丢弃
OutputArray err,// 表示错误
Size winSize = Size(21,21),// 光流法对象窗口大小
intmaxLevel =3,// 金字塔层数，0表示只检测当前图像，不构建金字塔图像
TermCriteria criteria = TermCriteria(TermCriteria::COUNT+TermCriteria::EPS,30,0.01),// 窗口搜索时候停止条件
intflags =0,// 操作标志
doubleminEigThreshold =1e-4// 最小特征值响应，低于最小值不做处理
)

特征点检测与绘制的代码实现如下:

// detect first frameandfindcornersinit
Mat old_frame, old_gray;
capture.read(old_frame);
cvtColor(old_frame, old_gray, COLOR_BGR2GRAY);
goodFeaturesToTrack(old_gray, featurePoints, maxCorners, qualityLevel, minDistance, Mat(), blockSize, useHarrisDetector, k);

特征点绘制

voiddraw_goodFeatures(Mat &image,vector goodFeatures){
for(size_tt=0;t
circle(image, goodFeatures[t],2,Scalar(0,255,0),2,8,0);
}
}

KLT跟踪代码如下

TermCriteria criteria = TermCriteria(TermCriteria::COUNT + TermCriteria::EPS,30,0.01);
doublederivlambda =0.5;
intflags =0;
boolret = capture.read(frame);
if(!ret)break;
imshow("frame",frame);
roi.x =0;
frame.copyTo(result(roi));
cvtColor(frame, gray, COLOR_BGR2GRAY);
// calculate optical flow
calcOpticalFlowPyrLK(old_gray, gray, pts[0], pts[1], status, err, Size(31,31),3,criteria, derivlambda, flags);

特征点状态检查与匹配的代码如下

size_t i, k;
for (i = k = 0; i<pts[1].size();i++)
{
// 距离与状态测量
doubledist=abs(pts[0][i].x-pts[1][i].x)+abs(pts[0][i].y-pts[1][i].y);
if(status[i]&&dist>2) {
pts[0][k]= pts[0][i];
initPoints[k] = initPoints[i];
pts[1][k++]= pts[1][i];
circle(frame, pts[1][i], 3, Scalar(0, 255, 0), -1, 8);
}
}
// resize 有用特征点
pts[1].resize(k);
pts[0].resize(k);
initPoints.resize(k);

绘制跟踪轨迹的代码如下

// 绘制跟踪轨迹
draw_lines(frame, initPoints, pts[1]);

该方法实现如下:

voiddraw_lines(Mat &image,vector pt1,vector pt2){
if(color_lut.size() < pt1.size()) {
for(size_tt=0;t < pt1.size(); t++) {
color_lut.push_back(Scalar(rng.uniform(0,255), rng.uniform(0,255), rng.uniform(0,255)));
}
}
for(size_tt=0;t < pt1.size(); t++) {
line(image, pt1[t], pt2[t], color_lut[t],2,8,0);
}
}

运行效果:

左侧是视频的原始每一帧、右侧视频是每一帧中KLT算法实时轨迹绘制

车辆运行轨迹跟踪

大图模式

坚其志，苦其心，劳其力