©Fu Xianjun. All Rights Reserved.

#目标追踪算法介绍

#八种工具

该追踪系统采用相同的机器学习算法，并已在其诞生已有十多年时间。该追踪器运行速度较慢且表现欠佳，在性能上存在明显劣势；然而作为资深产品仍有必要提及其存在。（最低支持OpenCV 3.0.0）

2.MIL Tracker：比上一个追踪器更精确，但是失败率比较高。（最低支持OpenCV 3.0.0）

3.KCF Tracker：核心相关滤波器。（最低支持OpenCV 3.1.0）

4.CSRT Tracker：判别相关滤波器。（最低支持OpenCV 3.4.2）

MedianFlow Tracker：在报错方面表现出色，在快速运动或快速移动物体的情况下不再具有良好的跟踪效果。（最低支持OpenCV 3.0.0）

6.TLD Tracker：跟踪器非常容易误报（最低支持OpenCV 3.0.0）

7.MOSSE Tracker：其速度极快，在精度方面略逊于CSRT和KCF。若需追求速度性能，则建议选用该算法。（最低支持OpenCV 3.4.1）

8.GOTURN Tracker：目前在OpenCV领域中独树一帜的是基于深度学习的方法这一检测系统。该检测系统必须依赖额外的模型来运作（最低支持OpenCV 3.2.0）。

#创建追踪器方法对象

import cv2

import numpy as np

OPENCV_ OBJECT_ TRACKERS = {
csrt : cv2. TrackerCSRT _create,

"kcf" : cv2. TrackerKCF create,

"boosting" : cv2. TrackerBoosting_ _create,

”mil": cv2. TrackerMIL _create,

"tld": cv2. TrackerTLD create,

"medianflow": cv2. TrackerMedianFlow create,

mosse": cv2. TrackerMOSSE_ create

}

#实例化追踪器对象

#实例化的tracker

trackers=cv2.MultiTracker_create()

#视频基本处理方法

vs = cv2. VideoCapture("1os_ angeles. mp4" )

while True:

Get current frame

frames; read()

(True, data)

_, data = frames[1]

End of stream

if frame is None: break

Resize each frame

height, width = cv2.resize(frame, dim= (width, int(h * r)), interpolation=cv2.INTER_AREA)

#追踪结果与区域绘制

#追踪结果

(success, boxes) = trackers. update (frame)

#绘制区域

遍历每个box in boxes：
提取box的坐标和尺寸（x坐标、y坐标、宽度、高度）并将其转换为整数：
随后，在frame图像上绘制一个填充矩形：
左上角位置为(x, y)，右下角位置为(x + width, y + height)：
颜色设置为绿色（0, 255, 0），填充度为2：
最后显示该窗口：

#目标ROI

关键在于等待按键输入以确认捕捉范围并执行相关操作.

#创建一个新的追踪器

tracker=OPENCV_OBJECT_TRACKERS"crst"

trackers. add(tracker, frame, box)
#退出
elif key == 27:
break

#关闭视频

vs.release()

cv2.destroyAllWindows()