Méthode de flux optique OpenCV C ++ pour la détection de cibles mobiles

Qu'est-ce que le flux optique

Le flux optique (flux optique) est la vitesse instantanée du mouvement des pixels d'un objet en mouvement spatial sur le plan d'imagerie d'observation.

La méthode de flux optique utilise les changements dans le domaine temporel des pixels dans la séquence d'images et la corrélation entre les images adjacentes pour trouver la correspondance entre l'image précédente et l'image actuelle, calculant ainsi le mouvement des objets entre les images adjacentes Une méthode d'information .

Habituellement, le taux de changement instantané de l'échelle de gris à un point de coordonnée spécifique sur un plan d'image bidimensionnel est défini comme un vecteur de flux optique.

En d'autres termes: le flux optique est utilisé pour spécifier la vitesse de déplacement du motif de mouvement dans l'image variant dans le temps, car lorsque l'objet est en mouvement, le motif de luminosité du point correspondant sur l'image se déplace également. Le mouvement apparent de ce mode de luminosité d'image est un flux optique.

Description de la procédure

// Description du programme: à partir de l'exemple de programme officiel dans le dossier Samples sous le répertoire d'installation d'OpenCV en utilisant la méthode de flux optique pour la détection de cible en mouvement
// Système d'exploitation: Windows 10 64 bits
// Langage de développement: C ++
// Version IDE: Visual Studio 2019
/ / Version OpenCV: 4.20

/ ************************************************* ***********************

• Droits d'auteur © 2011 Yang Xian
• Tous les droits sont réservés.
• Fichier: OpticalFlow.cpp
• Bref: méthode de flux optique lk pour la détection de cible en mouvement
• Version: 1.0
• Auteur: Yang Xian
• Courriel: [email protected]
• Date: 18/11/2011
• Histoire:
  ************************************************** ************************ /

Code

#include <opencv2/video/video.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/core/core.hpp>
#include <iostream>
#include <cstdio>

using namespace std;
using namespace cv;

//-----------------------------------【全局函数声明】-----------------------------------------
//		描述：声明全局函数
//-------------------------------------------------------------------------------------------------
void tracking(Mat& frame, Mat& output);
bool addNewPoints();
bool acceptTrackedPoint(int i);

//-----------------------------------【全局变量声明】-----------------------------------------
//		描述：声明全局变量
//-------------------------------------------------------------------------------------------------
string window_name = "optical flow tracking";
Mat gray;	// 当前图片
Mat gray_prev;	// 预测图片
vector<Point2f> points[2];	// point0为特征点的原来位置，point1为特征点的新位置
vector<Point2f> initial;	// 初始化跟踪点的位置
vector<Point2f> features;	// 检测的特征
int maxCount = 500;	// 检测的最大特征数
double qLevel = 0.01;	// 特征检测的等级
double minDist = 10.0;	// 两特征点之间的最小距离
vector<uchar> status;	// 跟踪特征的状态，特征的流发现为1，否则为0
vector<float> err;

//-----------------------------------【main( )函数】--------------------------------------------
//		描述：控制台应用程序的入口函数，我们的程序从这里开始
//-------------------------------------------------------------------------------------------------
int main()
{

	Mat frame;
	Mat result;

	VideoCapture capture(0);

	if (capture.isOpened())	// 摄像头读取文件开关
	{
		while (true)
		{
			capture >> frame;

			if (!frame.empty())
			{
				tracking(frame, result);
			}
			else
			{
				printf(" --(!) No captured frame -- Break!");
				break;
			}

			int c = waitKey(50);
			if ((char)c == 27)
			{
				break;
			}
		}
	}
	return 0;
}

//-------------------------------------------------------------------------------------------------
// function: tracking
// brief: 跟踪
// parameter: frame	输入的视频帧
//			  output 有跟踪结果的视频帧
// return: void
//-------------------------------------------------------------------------------------------------
void tracking(Mat& frame, Mat& output)
{

	//此句代码的OpenCV3版为：
	cvtColor(frame, gray, COLOR_BGR2GRAY);
	//此句代码的OpenCV2版为：
	//cvtColor(frame, gray, CV_BGR2GRAY);

	frame.copyTo(output);

	// 添加特征点
	if (addNewPoints())
	{
		goodFeaturesToTrack(gray, features, maxCount, qLevel, minDist);
		points[0].insert(points[0].end(), features.begin(), features.end());
		initial.insert(initial.end(), features.begin(), features.end());
	}

	if (gray_prev.empty())
	{
		gray.copyTo(gray_prev);
	}
	// l-k光流法运动估计
	calcOpticalFlowPyrLK(gray_prev, gray, points[0], points[1], status, err);
	// 去掉一些不好的特征点
	int k = 0;
	for (size_t i = 0; i < points[1].size(); i++)
	{
		if (acceptTrackedPoint(i))
		{
			initial[k] = initial[i];
			points[1][k++] = points[1][i];
		}
	}
	points[1].resize(k);
	initial.resize(k);
	// 显示特征点和运动轨迹
	for (size_t i = 0; i < points[1].size(); i++)
	{
		line(output, initial[i], points[1][i], Scalar(0, 0, 255));
		circle(output, points[1][i], 3, Scalar(0, 255, 0), -1);
	}

	// 把当前跟踪结果作为下一此参考
	swap(points[1], points[0]);
	swap(gray_prev, gray);

	imshow(window_name, output);
}

//-------------------------------------------------------------------------------------------------
// function: addNewPoints
// brief: 检测新点是否应该被添加
// parameter:
// return: 是否被添加标志
//-------------------------------------------------------------------------------------------------
bool addNewPoints()
{
	return points[0].size() <= 10;
}

//-------------------------------------------------------------------------------------------------
// function: acceptTrackedPoint
// brief: 决定哪些跟踪点被接受
// parameter:
// return:
//-------------------------------------------------------------------------------------------------
bool acceptTrackedPoint(int i)
{
	return status[i] && ((abs(points[0][i].x - points[1][i].x) + abs(points[0][i].y - points[1][i].y)) > 2);
}

résultat courant

La vidéo de la caméra peut être appelée et la vidéo locale peut également être lue; ce qui suit est la vidéo de capture de la caméra, l'effet de suivi de la méthode de flux optique