目标跟踪（3）MultiTracker : 基于 OpenCV (C++Python) 的多目标跟踪

在这篇文章中，我们将介绍如何使用通过 MultiTracker 类实现的 OpenCV 的多对象跟踪 API。我们将共享C++ 和 Python 代码。

大多数计算机视觉和机器学习的初学者都学习对象检测。如果您是初学者，您可能会想为什么我们需要对象跟踪。我们不能只检测每一帧中的对象吗？

让我们来探究一下跟踪是有用的几个原因。

首先，当在视频帧中检测到多个对象（例如人）时，跟踪有助于跨帧建立对象的身份。

其次，在某些情况下，对象检测可能会失败，但仍可能跟踪对象，因为跟踪考虑了对象在前一帧中的位置和外观。

第三，一些跟踪算法非常快，因为它们做的是局部搜索，而不是全局搜索。因此，我们可以通过每n帧进行目标检测，并在中间帧中跟踪目标，从而为我们的系统获得很高的帧率。

那么，为什么不在第一次检测后无限期地跟踪对象呢？跟踪算法有时可能会丢失它正在跟踪的对象。例如，当对象的运动太大时，跟踪算法可能跟不上。许多现实世界的应用程序同时使用检测和跟踪。

在本教程中，我们只关注跟踪部分。我们想要跟踪的对象将通过拖动它们周围的包围框来指定。

OpenCV 中的 MultiTracker 类提供了多目标跟踪的实现。它是一个简单的实现，因为它独立处理跟踪对象，而不对跟踪对象进行任何优化。

让我们逐步查看代码，了解如何使用 OpenCV 的多目标跟踪 API。

21 第 1 步:创建单一对象跟踪器

多目标跟踪器只是单目标跟踪器的集合。我们首先定义一个函数，该函数接受一个跟踪器类型作为输入，并创建一个跟踪器对象。OpenCV有8种不同的跟踪器类型:BOOSTING, MIL, KCF,TLD, MEDIANFLOW, GOTURN, MOSSE, CSRT。

如果您想使用 GOTURN 跟踪器，请务必阅读这篇文章并下载 caffe 模型。

在下面的代码中，给定跟踪器类的名称，我们返回跟踪器对象。这将在稍后用于多目标跟踪器。

Python

C++

22 第 2 步：读取视频的第一帧

多目标跟踪器需要两个输入

给定这些信息，跟踪器在所有后续帧中跟踪这些指定对象的位置。 在下面的代码中，我们首先使用 VideoCapture 类加载视频并读取第一帧。这将在稍后用于初始化 MultiTracker。

Python

C++

23 第 3 步：在第一帧中定位对象

接下来，我们需要在第一帧中定位我们想要跟踪的对象。该位置只是一个边界框。 OpenCV 提供了一个名为 selectROI 的函数，该函数会d出一个 GUI 来选择边界框（也称为感兴趣区域 (ROI)）。 在 C++ 版本中，selectROI 允许您获取多个边界框，但在 Python 版本中，它只返回一个边界框。所以，在 Python 版本中，我们需要一个循环来获取多个边界框。 对于每个对象，我们还选择一种随机颜色来显示边界框。 代码如下所示。

Python

C++

getRandomColors 函数相当简单

24 第 3 步：初始化 MultiTracker

到目前为止，我们已经读取了第一帧并获得了对象周围的边界框。这就是我们初始化多目标跟踪器所需的所有信息。

我们首先创建一个 MultiTracker 对象，并向其中添加与边界框一样多的单个对象跟踪器。在此示例中，我们使用 CSRT 单对象跟踪器，但您可以通过将下面的 trackerType 变量更改为本文开头提到的 8 个跟踪器之一来尝试其他跟踪器类型。 CSRT 跟踪器不是最快的，但在我们尝试的许多情况下它产生了最好的结果。

您还可以使用包裹在同一个 MultiTracker 中的不同跟踪器，但当然，这没什么意义。

MultiTracker 类只是这些单个对象跟踪器的包装器。正如我们从上一篇文章中知道的那样，单个对象跟踪器是使用第一帧初始化的，并且边界框指示我们想要跟踪的对象的位置。 MultiTracker 将此信息传递给它在内部包装的单个对象跟踪器。

Python

C++

25 第 4 步：更新 MultiTracker 并显示结果

最后，我们的 MultiTracker 已准备就绪，我们可以在新帧中跟踪多个对象。我们使用 MultiTracker 类的 update 方法来定位新框架中的对象。每个跟踪对象的每个边界框都使用不同的颜色绘制。

Python

C++

C++

Python

为了对设计进行评价，必须构造包含设计变量的评价函数，即优化的目标，称为目标函数。在优化过程中，通过设计变量的改变不断改善 的值，最后求得令 值最好或最满意的 x 值。在目标函数的构造中，应注意目标函数必须包含全部设计变量。目标函数一般用极小值表示，即 ，若求目标函数的极大值，一般用转换为极小值问题，因此极大化和极小化都可统一表示为求极小，即在机械设计中，一般用作目标函数的有体积最小、质量最小、效率最大、柔度最小、振幅或噪声最小、成本最低，等等。

机械优化设计一般分为单目标优化问题和多目标优化问题。只有一个目标函数的优化问题称为单目标优化问题；在同一个设计中要提出多个目标区数时，称为多目标优化问题。目标函数愈多，设计的综合效果愈好，但求解的难度也愈大。目标函数一般表现为显式和隐式两种。显式目标函数是根据设计理论或公式、科学定理的关系推导的代数方程，或是根据实验数据采用曲线拟合方法所得的曲线方程；隐式目标函数是利用有限元分析方法、人工神经网络方法或仿真模拟方法的程序计算的结果，没有明显的函数式，但可给出函数值。

遗传算法在matlab里有两个函数，分别是ga和gaoptimset，前者用来调用遗传算法，后者用来设定遗传算法的参数，具体内容可以doc ga查看，遗传算法有哪些参数可以直接在命令窗口输入gaoptimset查看，祝好。

面向目标程序优化的思想是指把数据和过程这两个逻辑上独立的实体组合在一个逻辑体（对象）中，对象与对象之间只能通过发送消息（调用）来进行联系。

这样，使原来各种类型的数据和数据结构与起不同作用的过程之间，非常复杂的关系大为简化，从而使软件的设计效率↑，可靠性、可读性、可维护性↑。

以上就是关于目标跟踪（3）MultiTracker : 基于 OpenCV (C++/Python) 的多目标跟踪全部的内容，包括:目标跟踪（3）MultiTracker : 基于 OpenCV (C++/Python) 的多目标跟踪、目标函数和约束条件、NSGA2遗传算法在matlab具体使用方法，有源代码该如何修改程序中的参数及设置等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！