车辆跟踪具有类似哈尔的功能和camshift

Question

我正在尝试使用移动摄像头跟踪车辆。在OpenCV中Haar Feature-based Cascade Classifier检测到车辆。我使用预先训练的数据集here。根据对象跟踪survey（2006），跟踪对象有三个类别：点或邻域，内核或形状，或跟踪可以基于对象的轮廓或其许可者。我认为我的方法属于第二类。因此，我首先尝试了camshift算法。

但是，在检测阶段，我得到了很多误报，这使得跟踪效率低下。我的问题是你如何消除误报？

我正在考虑计算每个帧的所有边界框（包括误报）的直方图。然后，对下一帧执行相同操作并比较直方图以创建置信度。你认为这是个好主意吗？

我也有想法在检测之前应用处理（例如：分段basckground /前景减法，阈值处理等）但这些比移动相机更适合固定相机。我需要继续哈尔一段时间，至少要试一试。任何建议都会很棒。

Answer 1

这实际上是一个广泛的问题，我害怕方法，但基本的问题是你需要一些东西来构建一个可靠的跟踪器：

• 一个好的输入（移动相机）
• 一个很好的特征/区域描述（你选择了基于haar小波的方法）
• 一个很好的比较指标（不知道你在这做什么）

一般来说，您需要通过图像注册过程来稳定输入 引用您的discripters库 根据您注册的输入图像计算这些描述符的度量标准

减少误报取决于你的方法，但通常你将误报组合在一起并找出算法中它们最起源的地方（许多将来自不同的地方），然后将算法的那部分改为剔除它们。

您的选择是：

• 注册图像（如果它们尚未存在（这将消除相对运动中的误报）
• 检查算法以确定最大的误报来源并相应地修改
• 获得更好的训练数据以匹配（如果您的训练数据与现实世界数据不匹配，这将无法正常工作）
• 尝试不同的方法（SIFT，SURF，GLO，傅里叶梅林变换等）。

具体而言，我可以获得您提供的信息。我希望它有所帮助。