2

我在 Linux 上使用 OpenCV 2.4.2。我正在用 C++ 编写。我想跟踪简单的对象（例如白色背景上的黑色矩形）。首先，我使用 goodFeaturesToTrack，然后使用 calcOpticalFlowPyrLK 在另一个图像上找到这些点。问题是 calcOpticalFlowPyrLK 没有找到这些点。

我发现在 C 中执行此操作的代码在我的情况下不起作用：http: //dasl.mem.drexel.edu/~noahKuntz/openCVTut9.html

我已将其转换为 C++：

int main(int, char**) {
    Mat imgAgray = imread("ImageA.png", CV_LOAD_IMAGE_GRAYSCALE);
    Mat imgBgray = imread("ImageB.png", CV_LOAD_IMAGE_GRAYSCALE);
    Mat imgC = imread("ImageC.png", CV_LOAD_IMAGE_UNCHANGED);

    vector<Point2f> cornersA;

    goodFeaturesToTrack(imgAgray, cornersA, 30, 0.01, 30);

    for (unsigned int i = 0; i < cornersA.size(); i++) {
        drawPixel(cornersA[i], &imgC, 2, blue);
    }

    // I have no idea what does it do
//    cornerSubPix(imgAgray, cornersA, Size(15, 15), Size(-1, -1),
//            TermCriteria(TermCriteria::COUNT + TermCriteria::EPS, 20, 0.03));

    vector<Point2f> cornersB;
    vector<uchar> status;
    vector<float> error;

    // winsize has to be 11 or 13, otherwise nothing is found
    int winsize = 11;
    int maxlvl = 5;

    calcOpticalFlowPyrLK(imgAgray, imgBgray, cornersA, cornersB, status, error,
            Size(winsize, winsize), maxlvl);

    for (unsigned int i = 0; i < cornersB.size(); i++) {
        if (status[i] == 0 || error[i] > 0) {
            drawPixel(cornersB[i], &imgC, 2, red);
            continue;
        }
        drawPixel(cornersB[i], &imgC, 2, green);
        line(imgC, cornersA[i], cornersB[i], Scalar(255, 0, 0));
    }

    namedWindow("window", 1);
    moveWindow("window", 50, 50);
    imshow("window", imgC);

    cvWaitKey(0);

    return 0;
}

图片A： http ://oi50.tinypic.com/14kv05v.jpg

图片B： http ://oi46.tinypic.com/4l3xom.jpg

图片C： http ://oi47.tinypic.com/35n3uox.jpg

我发现它仅适用于 winsize = 11。我尝试在移动矩形上使用它来检查它与原点的距离。它几乎没有检测到所有四个角。

int main(int, char**) {
    std::cout << "Compiled at " << __TIME__ << std::endl;

    Scalar white = Scalar(255, 255, 255);
    Scalar black = Scalar(0, 0, 0);
    Scalar red = Scalar(0, 0, 255);
    Rect rect = Rect(50, 100, 100, 150);

    Mat org = Mat(Size(640, 480), CV_8UC1, white);
    rectangle(org, rect, black, -1, 0, 0);

    vector<Point2f> features;
    goodFeaturesToTrack(org, features, 30, 0.01, 30);
    std::cout << "POINTS FOUND:" << std::endl;
    for (unsigned int i = 0; i < features.size(); i++) {
        std::cout << "Point found: " << features[i].x;
        std::cout << " " << features[i].y << std::endl;
    }

    bool goRight = 1;

    while (1) {

        if (goRight) {
            rect.x += 30;
            rect.y += 30;
            if (rect.x >= 250) {
                goRight = 0;
            }
        } else {
            rect.x -= 30;
            rect.y -= 30;
            if (rect.x <= 50) {
                goRight = 1;
            }
        }

        Mat frame = Mat(Size(640, 480), CV_8UC1, white);
        rectangle(frame, rect, black, -1, 0, 0);

        vector<Point2f> found;
        vector<uchar> status;
        vector<float> error;
        calcOpticalFlowPyrLK(org, frame, features, found, status, error,
                    Size(11, 11), 5);

        Mat display;
        cvtColor(frame, display, CV_GRAY2BGR);

        for (unsigned int i = 0; i < found.size(); i++) {
            if (status[i]  == 0 || error[i] > 0) {
                continue;
            } else {
                line(display, features[i], found[i], red);
            }
        }

        namedWindow("window", 1);
        moveWindow("window", 50, 50);
        imshow("window", display);

        if (cvWaitKey(300) > 0) {
            break;
        }
    }

}

Lucas-Kanade 的 OpenCV 实现似乎无法跟踪二进制图像上的矩形。我做错了什么还是这个功能不起作用？

4

2 回答 2

8

Lucas Kanade 方法通过使用该区域中的梯度来估计该区域的运动。在这种情况下，梯度下降方法。因此，如果您在 x 和 y 方向上没有渐变，则该方法将失败。第二个重要说明是 Lucas Kanade 方程

E = sum_{winsize} (Ix * u + Iy * v * It)²

是强度恒定约束的一阶泰勒近似。

I(x,y,t) = I(x+u,y+v,t+1)

所以没有水平的方法（图像金字塔）的一个限制是图像需要是一个线性函数。在实践中，这意味着只能估计小的运动，取决于您选择的 winsize。这就是为什么你使用水平，线性化图像（它）。所以5级有点高，3级就够了。在您的情况下，顶级图像的大小为 640x480 / 2^5 = 20 x 15。

最后，您的代码中的问题是这一行：

 if (status[i]  == 0 || error[i] > 0) {

您从 lucas kanade 方法返回的错误是生成的 SSD，这意味着：

误差 = sum(winSize) (I(x,y,0) - I(x+u,y+u,1)^2) / (winsize * winsize)

错误是 0 的可能性很小。所以最后你跳过所有功能。通过忽略错误，我有很好的经验，这只是一个信心衡量标准。有非常好的替代置信度度量，如前向/后向置信度。如果丢弃了太多的 feaurtes，您也​​可以通过忽略状态标志来开始实验

于 2013-01-16T20:49:24.767 回答
2

KLT 通过查找关于某个窗口的两组点之间的转换来进行点跟踪。窗口大小是一个区域，每个点将被追逐以匹配另一帧。

这是另一种基于梯度的算法，可以找到要跟踪的好特征。

通常，KLT 使用金字塔形方法，以便即使在大动作时也能保持跟踪。对于您指定的“窗口大小”，它可能在“maxLevel”时间使用。

从未在二进制图像上尝试过 KLT。问题可能出在 KLT 实现上，它以错误的方向开始搜索，然后就失去了分数。当您更改窗口大小时，搜索算法也会更改。在您的图片上，您最多只有 4 个兴趣点，并且只有 1 个像素。

这些是您感兴趣的参数：

winSize – Size of the search window at each pyramid level
maxLevel – 0-based maximal pyramid level number. If 0, pyramids are not used (single level), if 1, two levels are used etc.
criteria – Specifies the termination criteria of the iterative search algorithm (after the specified maximum number of iterations criteria.maxCount or when the search window moves by less than criteria.epsilon

建议 ：

  • 你试过自然图片吗？（例如两张照片），您将拥有更多要跟踪的功能。4个或更少是很难保持的。我会先试试这个
于 2012-07-27T14:00:36.227 回答