光流金字塔
calcOpticalFlowPyrLK()函数参数说明：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
void calcOpticalFlowPyrLK(InputArray prevImg, //第一个8位输入图像或者通过 buildOpticalFlowPyramid()建立的金字塔InputArray nextImg,//第二个输入图像或者和prevImg相同尺寸和类型的金字塔InputArray prevPts, //二维点向量存储找到的光流；点坐标必须是单精度浮点数InputOutputArray nextPts,//输出二维点向量（用单精度浮点坐标）包括第二幅图像中计算的输入特征的新点位置；当OPTFLOW_USE_INITIAL_FLOW 标志通过，向量必须有和输入一样的尺寸。OutputArray status, //输出状态向量（无符号char）；如果相应的流特征被发现，向量的每个元素被设置为1，否则，被置为0.OutputArray err,//输出错误向量；向量的每个元素被设为相应特征的一个错误，误差测量的类型可以在flags参数中设置；如果流不被发现然后错误未被定义（使用status（状态）参数找到此情形）。Size winSize = Size(21,21), //在每个金字塔水平搜寻窗口的尺寸。int maxLevel = 3,//最大金字塔层数; 如果设置为0，则不使用金字塔（单层），如果设置为1，则使用两个层次，依此类推; 如果将金字塔传递给输入，则算法将使用与金字塔一样多的级别，但不超过maxLevel。TermCriteria criteria = TermCriteria(TermCriteria::COUNT+TermCriteria::EPS, 30, 0.01),//指定迭代搜索算法的终止标准（指定的最大迭代次数criteria.maxCount或搜索窗口移动小于criteria.epsilon）int flags = 0, //操作标志double minEigThreshold = 1e-4 //计算光流方程的2×2标准矩阵的最小特征值除以窗口中的像素数量;如果这个值小于minEigThreshold，那么一个相应的特征被过滤出来，且它的光流不被处理，所以它允许去除坏点提升性能。); |
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
|
#include<opencv2/opencv.hpp>using namespace cv;//光流跟踪Mat frame, gray, pr_frame, pr_gray;std::vector<Point2f> inPoints;std::vector<Point2f> fpts[2];void trackFeature();int main(){ VideoCapture capture; capture.open(0); if(!capture.isOpened()) { printf("can not open the camear......\n"); return -1; } namedWindow("input", CV_WINDOW_AUTOSIZE); namedWindow("output", CV_WINDOW_AUTOSIZE); while (capture.read(frame)) { cvtColor(frame, gray, COLOR_BGR2GRAY); if (fpts[0].size() < 40) { imshow("input", frame); std::vector<Point2f> features; //角点检测 goodFeaturesToTrack(gray, features, 300, 0.01, 10); fpts[0].insert(fpts[0].end(), features.begin(), features.end()); inPoints.insert(inPoints.end(), features.begin(), features.end()); } else printf("object tracking......\n"); if (pr_gray.empty()) gray.copyTo(pr_gray); trackFeature(); for (int i = 0; i < fpts[0].size(); i++) circle(frame, fpts[0][i], 2, Scalar(0,255,0),2,8,0); gray.copyTo(pr_gray); frame.copyTo(pr_frame); imshow("output", frame); waitKey(1); } waitKey(0); capture.release(); return 0;}void trackFeature(){ std::vector<uchar> status; std::vector<float> errors; //计算稀疏特征集的光流 calcOpticalFlowPyrLK(pr_gray, gray, fpts[0], fpts[1], status, errors); int k = 0; for (int i = 0; i < fpts[1].size(); i++) { double dist = abs(fpts[0][i].x-fpts[1][i].x) + abs(fpts[0][i].y-fpts[1][i].y); if (dist > 2 && status[i]) { inPoints[k] = inPoints[i]; fpts[1][k++] = fpts[1][i]; } } inPoints.resize(k); fpts[1].resize(k); //绘制光流轨迹 RNG rng(0); for (int i = 0; i < fpts[0].size(); i++) { Scalar color = Scalar(rng.uniform(0,255),rng.uniform(0,255),rng.uniform(0,255)); line(frame, inPoints[i], fpts[1][i], color,2); circle(frame, fpts[1][i], 2, Scalar(0,255,255),2); } std::swap(fpts[1], fpts[0]);} |
以上这篇opencv3/C++实现光流点追踪就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/akadiao/article/details/78893987
