?背景介紹

視頻序列中的目標進行跟蹤是計算機視覺的熱門研究領域之一，其主要過程是首先在視頻序列的第一幀圖像中選定跟蹤目標，之后運行跟蹤算法，實現在后續幀中預測跟蹤目標的位置。本系統設計了一個集成視覺目標跟蹤算法的上位機，可以讀入的視頻以及實時的攝像頭采集的視頻進行跟蹤。

2. 視頻目標跟蹤基本框架

視頻目標跟蹤是根據目標的表觀特征信息和目標運動模型, 在視頻中估計目標的位置。因此, 視頻目標跟蹤一般包含2個方面的內容:目標表觀特征描述和目標跟蹤算法。

視頻中目標具有細節豐富的表觀信息, 需要通過相應的目標表觀特征描述方法將其中相對穩定的統計特性或某些不變特性提取出來, 以此對目標和背景進行區分。原始圖像特征直接將目標區域的原始圖像信息或經簡單處理得到的底層圖像特征作為對目標的描述。通常選取的特征有灰度、顏色及梯度等。該類特征提取簡單快速, 但對目標特征的挖掘程度低, 適應力較差。直方圖特征, 通過統計目標區域內某種特征在每個像素位置上出現的頻次, 并進行歸一化, 構成該目標區域對應特征的概率密度函數。直方圖有效描述了特征的統計特性, 對于非剛體形變具有較好的魯棒性, 但對于光照變化和背景雜波有一定欠缺。稀疏表示理論, 通過超完備字典將目標映射為稀疏向量, 作為表觀描述特征, 計算量小, 但有一定的隨機性, 不能保證最優。

為了估計目標的位置和范圍, 需要選擇合適的跟蹤算法對目標進行跟蹤。

3. 該系統集成的目標跟蹤算法如下

LCT: Chao Ma, Xiaokang Yang, Chongyang Zhang, Ming-Hsuan Yang. "Long-term Correlation Tracking." CVPR (2015).

代碼網址：https://github.com/chaoma99/lct-tracker

項目主頁：https://sites.google.com/site/chaoma99/cvpr15_tracking

4. 測試的跟蹤數據為OTB50

http://cvlab.hanyang.ac.kr/tracker_benchmark/datasets.html

5. 系統原型如下-主界面

5.1 主界面

5.2 讀入視頻

5.3 視頻第一幀框選目標-矩形框

5.4 點擊開始跟蹤按鈕，進行跟蹤

5.5 點擊抓圖按鈕，可以抓取跟蹤過程中的某一幀。

5.6 點擊錄像開始和結束，可以錄制跟蹤過程的視頻。

5.7 采集本地攝像頭實時跟蹤。

6. 結論

目標跟蹤的算法往往在指定的跟蹤數據集合上的性能能夠取得不錯的性能，但是遇到復雜的背景，光照變化以及嚴重遮擋的情形下性能就下降許多。所以要結合工程應用的具體背景來選擇和優化合適的算法，直接拿來用一般是不行的，如圖人臉識別一樣。

總結

以上是生活随笔為你收集整理的android摄像头矩形框提取_视频图像摄像头跟踪的上位机系统设计的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。