如何在opencv中从远到近跟踪场景中的对象

我需要跟踪道路上的车辆，可以使用GMM监控对象的变化，但是道路上的车辆从远到近改变其大小，建议使用什么算法从远到近或从近到远跟踪对象

高斯混合模型（GMM）是将汽车建模为对象的一个不错的选择，但我不确定如何使用它来建模背景，因为它可能更不均匀，并且需要大量的混合。使用EM（期望最大化）学习GMM可能需要大量的处理。因此，我的建议是开始使用简单的直方图，将对象建模为具有计数的容器集合，而不是高斯分布的集合。下面我将描述在OpenCV中实现的两个这样的方法

使用openCV开始跟踪的最简单方法是使用函数。一个相关的方法是meanshift的修改版本，它还可以在对象更改其大小或方向时更正初始边界框的大小和方向。您可以在openCV包的camshiftdemo.c中找到相应的演示

meanshift和camshift的输入都是一个概率图，其中每个像素表示（大约）它属于对象（可能是背景）的概率。创建此类贴图的一种方法是计算要跟踪的对象的直方图，然后将其反向投影到图像中，因此，例如，如果直方图只有两个箱，I=255的箱数为90，I=100的箱数为10，则强度为255的每个像素的概率为90%，强度为100的每个像素的概率为10%（请参阅有关直方图的更详细说明）

请注意，这些方法基于某些特征的直方图，例如强度、颜色或几乎任何其他特征。您可以尝试添加更多特征直方图，还可以更正将对象直方图与背景直方图关联的概率图。最后，您可以在每一帧更新直方图，以补偿对象直方图nd背景变化

现在，简而言之，它是如何工作的。meanshift，顾名思义，根据概率平均值（在此窗口内计算）的位置移动初始窗口，并且平均值通常偏离（移动）窗口中心，朝向概率最高的簇（希望是您的对象）.此过程迭代重复，直到收敛

---

当然，如果您的初始猜测距离实际概率最大值太远，窗口可能会卡在与您的对象无关的局部最大值中。因此，高帧速率非常重要，因为它可以保证对象不会在帧之间移动太多，并且您可以使用以前的位置作为wi的合理猜测ndow位置初始化。

您可以尝试块匹配，8X8或4X4块，并使用SAD进行匹配。它还会告诉您大小和平移的变化。如果对象较大且不是很快，您也可以处理它的旋转。如果需要更多详细信息，请回信。嗨，弗拉德，我承认GMM对场景建模有点重，我想尝试一下camshift。我还见过使用卡尔曼滤波器跟踪物体，它与跟踪有什么关系，使用卡尔曼滤波器的优势是什么？简而言之，卡尔曼滤波器将分析跟踪（运动）历史记录以改进您的估计。例如，如果对象向右移动，您可以在上一个位置的右侧稍微放置一个初始窗口。这将对您的解决方案起到补充作用，而不是改变您的解决方案。在抛光camshift后，在结束时执行此操作。嗨，Vlad，为了使用meanshift方法进行车辆跟踪，首先，我需要获取汽车的直方图。还有一个问题是，当汽车从远到近时，应用程序首先如何检测新车，选择这辆汽车的直方图，背景减法可以帮助您在可移动的片段上打断场景。