我正在寻找一种最快，更有效的方法来检测移动视频中的对象。有关此视频的注意事项：它非常颗粒感，分辨率低，背景和前景也同时移动。
注意：我正试图在移动视频中检测道路上移动的卡车。
我试过的方法：
训练哈尔级联 - 我试图训练分类器，通过拍摄所需物体的多个图像来识别物体。这被证明产生许多错误检测或根本没有检测到（期望的物体从未被检测到）。我使用了大约100张正面图片和4000张底片。
SIFT和SURF关键点 - 当尝试使用基于特征的这些方法中的任何一种时，我发现我想要检测的对象的分辨率太低，因此没有足够的特征来匹配以进行准确的检测。 （从未检测到期望的对象）
模板匹配 - 这可能是我尝试过的最好的方法。它是最准确的，尽管它们都是最黑的。我可以使用从视频裁剪的模板检测一个特定视频的对象。但是，没有保证准确性，因为所有已知的是每个帧的最佳匹配，没有对与帧匹配的百分比模板进行分析。基本上，它仅在对象始终在视频中时才有效，否则会产生错误检测。
所以这些是我尝试过的三大方法，但都失败了。什么最好的工作是模板匹配，但具有缩放和旋转不变性（这使我尝试SIFT / SURF），但我不知道如何修改模板匹配功能。
有没有人有任何建议如何最好地完成这项任务？
答案 0 :(得分：5)
将optical flow应用于图像，然后根据流场对其进行分段。背景流与“物体”流非常不同（主要取决于它是朝向还是远离你移动或收敛，还有一些横向分量）。
这是一个以这种方式工作的古老项目：
答案 1 :(得分：2)
This vehicle detection paper使用 Gabor过滤器库进行低级别检测，然后使用响应创建用于训练 SVM分类器的功能空间。
这项技术似乎运作良好，至少是规模不变的。我不确定旋转。
答案 2 :(得分：1)
不知道你的应用程序，我的初步印象是normalized cross-correlation，特别是因为我记得看到一个纯粹的光学互相关器，它将车辆跟踪作为示例应用程序。 （仅使用光学组件和车辆侧面的图像跟踪车辆通过时 - 我希望我能找到链接。）这与“模板匹配”类似（如果不相同），您说有点工作，但如果图像旋转，这将无法工作，如您所知。
然而，无论旋转，缩放，剪切和平移如何，都会有related method based on log-polar coordinates。
我想这也可以跟踪对象离开视频场景，因为最大相关性会降低。
答案 3 :(得分：0)
我们说话的分辨率有多低？你能详细说明这个对象吗？它是特定的颜色吗？它有模式吗？答案会影响您应该使用的内容。
另外，我可能正在阅读你的模板匹配语句错误，但听起来你正在过度训练（通过测试你从中提取对象的同一视频）。
答案 4 :(得分：0)
Haar Cascade将需要您提供重要的培训数据，并且对于任何方向调整都会很差。
你最好的选择可能是将模板匹配与类似于camshift in opencv (5,7MB PDF)的算法结合起来，以及卡车是否仍在图像中的概率模型（你必须弄清楚这一点）。 / p>