注册 登录  
 加关注
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

BeyondEgo

Welcome to Winsolider's yard! 超越自我,谁与争锋?

 
 
 

日志

 
 
关于我

本博为记事、畅聊、交友博客,邀你共同探讨人生、探讨成长,广交天下有志之士!愿与有相同兴趣爱好的你,共同学习、一起成长、收获喜悦!

网易考拉推荐

TLD源码理解之LKTracker.h、LKTracker.cpp  

2013-05-20 15:18:48|  分类: TLD算法 |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |

本文转自http://blog.csdn.net/zouxy09/article/details/7893056

下面是自己在看论文和这些大牛的分析过程中,对代码进行了一些理解,但是由于自己接触图像处理和机器视觉没多久,另外由于自己编程能力比较弱,所以分析过程可能会有不少的错误,希望各位不吝指正。而且,因为编程很多地方不懂,所以注释得非常乱,还海涵。

LKTracker.h

  1. #include<tld_utils.h>   
  2. #include <opencv2/opencv.hpp>   
  3.   
  4. //使用金字塔LK光流法跟踪,所以类的成员变量很多都是OpenCV中calcOpticalFlowPyrLK()函数的参数  
  5. class LKTracker{  
  6. private:  
  7.   std::vector<cv::Point2f> pointsFB;  
  8.   cv::Size window_size;  //每个金字塔层的搜索窗口尺寸   
  9.   int level;            //最大的金字塔层数  
  10.   std::vector<uchar> status;   //数组。如果对应特征的光流被发现,数组中的每一个元素都被设置为 1, 否则设置为 0  
  11.   std::vector<uchar> FB_status;     
  12.   std::vector<float> similarity;  //相似度  
  13.   std::vector<float> FB_error;   //Forward-Backward error方法,求FB_error的结果与原始位置的欧式距离  
  14.                                  //做比较,把距离过大的跟踪结果舍弃  
  15.   float simmed;  
  16.   float fbmed;  
  17.   //TermCriteria模板类,取代了之前的CvTermCriteria,这个类是作为迭代算法的终止条件的  
  18.   //该类变量需要3个参数,一个是类型,第二个参数为迭代的最大次数,最后一个是特定的阈值。  
  19.   //指定在每个金字塔层,为某点寻找光流的迭代过程的终止条件。  
  20.   cv::TermCriteria term_criteria;  
  21.   float lambda;   //某阈值??Lagrangian 乘子  
  22.   // NCC 归一化交叉相关,FB error与NCC结合,使跟踪更稳定  交叉相关的图像匹配算法??  
  23.   //交叉相关法的作用是进行云团移动的短时预测。选取连续两个时次的GMS-5卫星云图,将云图区域划分为32×32像素  
  24.   //的图像子集,采用交叉相关法计算获取两幅云图的最佳匹配区域,根据前后云图匹配区域的位置和时间间隔,确  
  25.   //定出每个图像子集的移动矢量(速度和方向),并对图像子集的移动矢量进行客观分析,其后,基于检验后的云  
  26.   //图移动矢量集,利用后向轨迹方法对云图作短时外推预测。   
  27.   void normCrossCorrelation(const cv::Mat& img1, const cv::Mat& img2, std::vector<cv::Point2f>& points1, std::vector<cv::Point2f>& points2);  
  28.   bool filterPts(std::vector<cv::Point2f>& points1,std::vector<cv::Point2f>& points2);  
  29. public:  
  30.   LKTracker();  
  31.   //特征点的跟踪??   
  32.   bool trackf2f(const cv::Mat& img1, const cv::Mat& img2,  
  33.                 std::vector<cv::Point2f> &points1, std::vector<cv::Point2f> &points2);  
  34.   float getFB(){return fbmed;}  
  35. };  

LKTracker.cpp

  1. #include <LKTracker.h>   
  2. using namespace cv;  
  3.   
  4. //金字塔LK光流法跟踪   
  5. //Media Flow 中值光流跟踪 加 跟踪错误检测   
  6. //构造函数,初始化成员变量   
  7. LKTracker::LKTracker(){  
  8.   ////该类变量需要3个参数,一个是类型,第二个参数为迭代的最大次数,最后一个是特定的阈值。  
  9.   term_criteria = TermCriteria( TermCriteria::COUNT + TermCriteria::EPS, 20, 0.03);  
  10.   window_size = Size(4,4);  
  11.   level = 5;  
  12.   lambda = 0.5;  
  13. }  
  14.   
  15.   
  16. bool LKTracker::trackf2f(const Mat& img1, const Mat& img2, vector<Point2f> &points1, vector<cv::Point2f> &points2){  
  17.   //TODO!:implement c function cvCalcOpticalFlowPyrLK() or Faster tracking function  
  18.   //Forward-Backward tracking   
  19.   //基于Forward-Backward Error的中值流跟踪方法  
  20.   //金字塔LK光流法跟踪   
  21.   //forward trajectory 前向轨迹跟踪   
  22.   calcOpticalFlowPyrLK( img1,img2, points1, points2, status, similarity, window_size, level, term_criteria, lambda, 0);  
  23.   //backward trajectory 后向轨迹跟踪  
  24.   calcOpticalFlowPyrLK( img2,img1, points2, pointsFB, FB_status,FB_error, window_size, level, term_criteria, lambda, 0);  
  25.     
  26.   //Compute the real FB-error   
  27.   //原理很简单:从t时刻的图像的A点,跟踪到t+1时刻的图像B点;然后倒回来,从t+1时刻的图像的B点往回跟踪,  
  28.   //假如跟踪到t时刻的图像的C点,这样就产生了前向和后向两个轨迹,比较t时刻中 A点 和 C点 的距离,如果距离  
  29.   //小于一个阈值,那么就认为前向跟踪是正确的;这个距离就是FB_error  
  30.   //计算 前向 与 后向 轨迹的误差   
  31.   forint i= 0; i<points1.size(); ++i ){  
  32.         FB_error[i] = norm(pointsFB[i]-points1[i]);   //norm()求矩阵或向量的范数??绝对值?  
  33.   }  
  34.   //Filter out points with FB_error[i] <= median(FB_error) && points with sim_error[i] > median(sim_error)  
  35.   normCrossCorrelation(img1, img2, points1, points2);  
  36.   return filterPts(points1, points2);  
  37. }  
  38.   
  39. //利用NCC把跟踪预测的结果周围取10*10的小图片与原始位置周围10*10的小图片(使用函数getRectSubPix得到)进  
  40. //行模板匹配(调用matchTemplate)   
  41. void LKTracker::normCrossCorrelation(const Mat& img1,const Mat& img2, vector<Point2f>& points1, vector<Point2f>& points2) {  
  42.         Mat rec0(10,10,CV_8U);  
  43.         Mat rec1(10,10,CV_8U);  
  44.         Mat res(1,1,CV_32F);  
  45.   
  46.         for (int i = 0; i < points1.size(); i++) {  
  47.                 if (status[i] == 1) {  //为1表示该特征点跟踪成功  
  48.                         //从前一帧和当前帧图像中(以每个特征点为中心?)提取10x10象素矩形,使用亚象素精度  
  49.                         getRectSubPix( img1, Size(10,10), points1[i],rec0 );     
  50.                         getRectSubPix( img2, Size(10,10), points2[i],rec1);  
  51.                         //匹配前一帧和当前帧中提取的10x10象素矩形,得到匹配后的映射图像  
  52.                         //CV_TM_CCOEFF_NORMED 归一化相关系数匹配法  
  53.                         //参数分别为:欲搜索的图像。搜索模板。比较结果的映射图像。指定匹配方法  
  54.                         matchTemplate( rec0,rec1, res, CV_TM_CCOEFF_NORMED);   
  55.                         similarity[i] = ((float *)(res.data))[0];  //得到各个特征点的相似度大小  
  56.   
  57.                 } else {  
  58.                         similarity[i] = 0.0;  
  59.                 }  
  60.         }  
  61.         rec0.release();  
  62.         rec1.release();  
  63.         res.release();  
  64. }  
  65.   
  66. //筛选出 FB_error[i] <= median(FB_error) 和 sim_error[i] > median(sim_error) 的特征点  
  67. //得到NCC和FB error结果的中值,分别去掉中值一半的跟踪结果不好的点  
  68. bool LKTracker::filterPts(vector<Point2f>& points1,vector<Point2f>& points2){  
  69.   //Get Error Medians   
  70.   simmed = median(similarity);   //找到相似度的中值  
  71.   size_t i, k;  
  72.   for( i=k = 0; i<points2.size(); ++i ){  
  73.         if( !status[i])  
  74.           continue;  
  75.         if(similarity[i]> simmed){   //剩下 similarity[i]> simmed 的特征点  
  76.           points1[k] = points1[i];     
  77.           points2[k] = points2[i];  
  78.           FB_error[k] = FB_error[i];  
  79.           k++;  
  80.         }  
  81.     }  
  82.   if (k==0)  
  83.     return false;  
  84.   points1.resize(k);  
  85.   points2.resize(k);  
  86.   FB_error.resize(k);  
  87.   
  88.   fbmed = median(FB_error);     //找到FB_error的中值  
  89.   for( i=k = 0; i<points2.size(); ++i ){  
  90.       if( !status[i])  
  91.         continue;  
  92.       if(FB_error[i] <= fbmed){   /  
  93.         points1[k] = points1[i];   //再对上一步剩下的特征点进一步筛选,剩下 FB_error[i] <= fbmed 的特征点  
  94.         points2[k] = points2[i];  
  95.         k++;  
  96.       }  
  97.   }  
  98.   points1.resize(k);  
  99.   points2.resize(k);  
  100.   if (k>0)  
  101.     return true;  
  102.   else  
  103.     return false;  
  104. }  
  105.   
  106.   
  107.   
  108.   
  109. /* 
  110.  * old OpenCV style 
  111. void LKTracker::init(Mat img0, vector<Point2f> &points){ 
  112.   //Preallocate 
  113.   //pyr1 = cvCreateImage(Size(img1.width+8,img1.height/3),IPL_DEPTH_32F,1); 
  114.   //pyr2 = cvCreateImage(Size(img1.width+8,img1.height/3),IPL_DEPTH_32F,1); 
  115.   //const int NUM_PTS = points.size(); 
  116.   //status = new char[NUM_PTS]; 
  117.   //track_error = new float[NUM_PTS]; 
  118.   //FB_error = new float[NUM_PTS]; 
  119. } 
  120.  
  121.  
  122. void LKTracker::trackf2f(..){ 
  123.   cvCalcOpticalFlowPyrLK( &img1, &img2, pyr1, pyr1, points1, points2, points1.size(), window_size, level, status, track_error, term_criteria, CV_LKFLOW_INITIAL_GUESSES); 
  124.   cvCalcOpticalFlowPyrLK( &img2, &img1, pyr2, pyr1, points2, pointsFB, points2.size(),window_size, level, 0, 0, term_criteria, CV_LKFLOW_INITIAL_GUESSES | CV_LKFLOW_PYR_A_READY | CV_LKFLOW_PYR_B_READY ); 
  125. } 
  126. */  
  评论这张
 
阅读(1119)| 评论(0)
推荐 转载

历史上的今天

在LOFTER的更多文章

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2017