大家好，我是csdn的博主：lqj_本人
这是我的个人博客主页：lqj_本人的博客_CSDN博客-微信小程序,前端,vue领域博主lqj_本人擅长微信小程序,前端,vue,等方面的知识
哔哩哔哩欢迎关注：小淼前端
小淼前端的个人空间_哔哩哔哩_bilibili
本篇文章主要讲述python的人工智能目标跟踪，本篇文章已经成功收录到我们python专栏中：https://blog.csdn.net/lbcyllqj/category_12089557.html
https://blog.csdn.net/lbcyllqj/category_12089557.html
目录
前言
项目介绍
区域性锁定目标实时动态跟踪（适用 警方追捕，无人机锁定拍摄等）
首先先介绍几种AI视觉算法
详细代码讲解
完整代码及注释：
结果演示
区域性全部实时动态目标跟踪（适用夜视跟踪，范围性观察等）
思路构建
详细代码讲解
完整代码及注释：
结果显示
前言
本程序主要实现了python的opencv人工智能视觉模块的目标跟踪功能。
若不知道怎么安装opencv或者使用的请看我的这篇文章（曾上过csdn综合热榜的top1）：
python进阶——人工智能视觉识别_lqj_本人的博客-CSDN博客
项目介绍
区域性锁定目标实时动态跟踪（适用 警方追捕，无人机锁定拍摄等）
首先先介绍几种AI视觉算法
特性：
1.BOOSTING:算法原理类似于Harr cascdes(AdaBoost),是一种很老的算法。这个算法速度慢并且不准。
2.MIL：比BOOSTING准一点
3.KCF：速度比BOOSTING和MIL更快，与BOOSTING和MIL一样不能很好的处理遮挡问题。
4.CSRT:比KCF更准一些，但是速度比KCF慢
5.MedianFlow:对于快速移动的目标和外形比那花迅速的目标效果不好
6.TLD：会产生朵的false-posittives
7.MOSSE：算法速度非常快，但是准确率比不上KCF和CSRT，在一些追求算法的速度场合很适用
8.GOTURN：OpenCV中自带的唯一一个基于深度学习的算法，运行短发需要提前下载好模型文件
分别对应的伴生的函数：
kcf:cv2.legacy.TrackerKCF_createcsrt:cv2.legacy.TrackerCSRT_createboosting:cv2.legacy.TrackerBoosting_createmil:cv2.legacy.TrackerMIL_createtld:cv2.legacy.TrackerTLD_createmedianflow:cv2.legacy.TrackerMedianFlow_createmosse:cv2.legacy.TrackerMOSSE_create详细代码讲解
导入cv模块
import cv2使用csrt算法，引用伴生函数，并赋值给tracker
tracker = cv2.legacy.TrackerCSRT_create()读取视频流
cap = cv2.VideoCapture('11.mp4')先读取到第一帧
ret,frame = cap.read()使用selectROI（前景），画框将目标框起，并赋值给bbox
bbox = cv2.selectROI('A',frame,fromCenter=False,showCrosshair=True)初始化tracker，将上面的两个值传入
tracker.init(frame,bbox)读取每一帧
ret,frame = cap.read()根据每一帧来更新tracker
ok,box = tracker.update(frame)若读取成功，就定位画框，并跟随
if ok : (x,y,w,h) = [int(v) for v in box] cv2.rectangle(frame,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=2)显示视频流
cv2.imshow('A', frame)等待50毫秒或按空格键退出
if cv2.waitKey(50) == ord(' '): break释放视频流和释放窗口
cap.release()cv2.destroyAllWindows()完整代码及注释：
import cv2tracker = cv2.legacy.TrackerCSRT_create()#使用csrt算法，引用伴生函数，并赋值给trackercap = cv2.VideoCapture('11.mp4')#读取视频流ret,frame = cap.read()#先读取第一帧bbox = cv2.selectROI('A',frame,fromCenter=False,showCrosshair=True)#使用selectROI（前景），画框将目标框起，并赋值给bboxtracker.init(frame,bbox)#初始化tracker，将上面的两个值传入while True: ret,frame = cap.read()#读取每一帧 ok,box = tracker.update(frame)#根据每一帧来跟新tracker # 若读取成功，我们就定位画框，并跟随 if ok : (x,y,w,h) = [int(v) for v in box] cv2.rectangle(frame,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=2) cv2.imshow('A', frame)#显示视频流 if cv2.waitKey(50) == ord(' '):#等待50毫秒或键盘按空格键退出 break# 释放视频流，释放窗口cap.release()cv2.destroyAllWindows()结果演示
区域性全部实时动态目标跟踪（适用夜视跟踪，范围性观察等）
思路构建
1.先将实时摄像流或录制视频流，灰度转化并高斯模糊
2.用二值化算法将流中的物体轮廓扩充
3.分别先读到第一帧和第二帧，让其对比
4.寻找对比后，流的轮廓位置，并开启简易模式
5.过滤物体的矩阵轮廓将其定位绘出
详细代码讲解
导入cv模块
import cv2将视频流转换并让其高斯模糊
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray,(5,5),0)二值化扩充
_,thresh = cv2.threshold(blur,20,255,cv2.THRESH_BINARY) dilated = cv2.dilate(thresh,None,iterations=3) return dilated读取视频流或实时摄像流
cap = cv2.VideoCapture('11.mp4')读取第一帧
ret,frame1 = cap.read()读取第二帧
ret,frame2 = cap.read()判断cap是否为打开状态
while cap.isOpened():若为打开，则第一帧与第二帧比较
diff = cv2.absdiff(frame1,frame2)mask = filter_img(diff)寻找比较后的物体轮廓，并开启简易模式
contours,_ = cv2.findContours(mask,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)使用方框将视频流中的物体框出，得到矩阵的宽高
(x,y,w,h) = cv2.boundingRect(contour)若矩阵的面积小于10（根据视频流中物体的大小来定义），直接无视
if cv2.contourArea(contour) < 10:将过滤的物体的矩阵轮廓绘出（一定要用int整形）
cv2.rectangle(frame1,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=1)将第一帧显示
cv2.imshow('A',frame1)将上面赋值的mask显示
cv2.imshow('B',mask)实现前后帧对比，并定位物体运动轨迹
1.将第二帧赋值给第一帧
frame1 = frame22.再将cap读到的赋值给第二帧（）
ret,frame2 = cap.read()等待50毫秒或者按空格结束
if cv2.waitKey(50) == ord(' '): break释放视频流及释放窗口
cap.release()cv2.destroyAllWindows()完整代码及注释：
import cv2def filter_img(frame): #将视频流转换灰度并让其高斯模糊 gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray,(5,5),0) #二值化将其扩充 _,thresh = cv2.threshold(blur,20,255,cv2.THRESH_BINARY) dilated = cv2.dilate(thresh,None,iterations=3) return dilated# 读取视频流cap = cv2.VideoCapture('11.mp4')ret,frame1 = cap.read()#读到第一帧ret,frame2 = cap.read()#读到第二帧while cap.isOpened():#判断cap是否打开 diff = cv2.absdiff(frame1,frame2)#若打开，则第一帧和第二帧作比较 mask = filter_img(diff) contours,_ = cv2.findContours(mask,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#寻找视频流的轮廓，简单模式 #用方框将视频流中的物体用矩形框出 for contour in contours: (x,y,w,h) = cv2.boundingRect(contour)#得到矩阵的宽高 if cv2.contourArea(contour) < 10:#若矩阵的面积小于200，就无视（太小了） continue cv2.rectangle(frame1,pt1=(int(x),int(y)),pt2=(int(x)+int(w),int(y)+int(h)),color=(0,255,0),thickness=1)#将过滤的物体的矩阵轮廓绘出 # cv2.drawContours(frame1,contours,-1,(0,255,0),2)#将视频流中的物体轮廓画出 cv2.imshow('A',frame1)#将第一帧显示 cv2.imshow('B',mask)#将mask也显示 frame1 = frame2#将第二帧赋值给第一帧 ret,frame2 = cap.read()#再将cap读到的赋值给第二帧 if cv2.waitKey(50) == ord(' '):#等待五十毫秒或者按空格结束 break#销毁cap流cap.release()#释放窗口cv2.destroyAllWindows()结果显示
