前面学习过Meanshift算法，在观察这个结果标记时，会发现有这样一个问题，如下图：汽车比
前面学习过Meanshift算法，在观察这个结果标记时，会发现有这样一个问题，如下图：
汽车比较远时，用一个很小的窗口就可以把它框住，这是符合近大远小的投影原理，当比较近的时候如下：
相同大小的窗口已经不能包围它了，那么这样跟踪目标对象就成为了一个问题，怎么样来更改它呢？那么就是Camshift (Continuously Adaptive Meanshift)算法引入的原因了。同时还会有一个问题，怎么样判断物体旋转的方向，这个算法也会解决这样的问题。这个算法发表在1998年的论文《Computer Vision Face Tracking for Use in a Perceptual User Interface》里。
这个算法，首先应用meanshift找到最大密度，然后再更新窗口的大小，接着计算最适合外包椭圆；如果不合适又进入一轮迭代过程。直满足meanshift的条件，并且窗口大小也合适为止。
Camshift函数返回两个值，第一个值ret是一个旋转的窗口，第二个值是窗口搜索位置给下一次搜索使用的。例子如下：
#python 3.7.4,opencv4.1
#蔡军生 https://blog.csdn.net/caimouse/article/details/51749579
#
import numpy as np
import cv2
from matplotlib import pyplot as plt
capture = cv2.VideoCapture(1)
if not capture.isOpened:
print('Unable to open: ')
exit(0)
#获取第一帧图片
ret,frame = capture.read()
#设置目标窗口
#读取文件
find = cv2.imread('luohu1.png')
h,w = find.shape[:2]
roi = find[10: 120, 10: 120]
x = 10
y = 10
width = 120 - x
height = 120 - y
track_window = (x, y, w, h)
print(track_window)
#跟踪目标
hsv_roi = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)
mask = cv2.inRange(hsv_roi, np.array((0., 60.,32.)), np.array((180.,255.,255.)))
roi_hist = cv2.calcHist([hsv_roi],[0],mask,[180],[0,180]) #计算直方图
cv2.normalize(roi_hist,roi_hist,0,255,cv2.NORM_MINMAX)
#设置迭代条件,每10移动一点
term_crit = ( cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 1 )
while(1):
ret, frame = capture.read()
if ret == True:
hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
dst = cv2.calcBackProject([hsv],[0],roi_hist,[0,180],1)#反向投影
#使用 meanshift获得新位置
ret, track_window = cv2.CamShift(dst, track_window, term_crit)
#显示标记
pts = cv2.boxPoints(ret)
pts = np.int0(pts)
img2 = cv2.polylines(frame,[pts],True, (255,0,0),2)
cv2.imshow('img2',img2)
cv2.imshow("dst", dst)
cv2.imshow("roi", roi)
keyboard = cv2.waitKey(1)
if keyboard == ord('q') or keyboard == ord('Q'):
break
else:
break
capture.release()
cv2.destroyAllWindows()结果输出如下：
比较远的照片
比较近的照片
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
OpenCV Camshift算法 OpenCV Camshift