對(duì)象跟蹤是以下過程：
1、獲取一組初始對(duì)象檢測(cè)（例如邊界框坐標(biāo)的輸入集）
2、為每個(gè)初始檢測(cè)創(chuàng)建唯一ID
3、然后在視頻中的幀周圍移動(dòng)時(shí)跟蹤每個(gè)對(duì)象，保持唯一ID的分配
此外，對(duì)象跟蹤允許我們?yōu)槊總€(gè)被跟蹤對(duì)象應(yīng)用唯一ID，使我們可以計(jì)算視頻中的唯一對(duì)象。對(duì)象跟蹤對(duì)于構(gòu)建人員計(jì)數(shù)器至關(guān)重要。
理想的對(duì)象跟蹤算法將：
僅需要對(duì)象檢測(cè)階段一次（即，最初檢測(cè)到對(duì)象時(shí)）；將非?？?- 比運(yùn)行實(shí)際物體探測(cè)器本身快得多；
能夠處理被跟蹤對(duì)象“消失”或移動(dòng)到視頻幀邊界之外的情況；對(duì)強(qiáng)大的閉合能力；能夠拾取它在幀之間“丟失”的對(duì)象；
對(duì)于任何計(jì)算機(jī)視覺或圖像處理算法而言，這是一個(gè)很高的要求，我們可以使用各種技巧來幫助改進(jìn)我們的對(duì)象跟蹤器。
但在我們構(gòu)建這樣一個(gè)強(qiáng)大的方法之前，我們首先需要研究對(duì)象跟蹤的基礎(chǔ)知識(shí)。
在今天的博客文章中，您將學(xué)習(xí)如何使用OpenCV實(shí)現(xiàn)質(zhì)心跟蹤，OpenCV是一種易于理解且高效的跟蹤算法。
在此對(duì)象跟蹤系列的未來帖子中，我將開始研究更高級(jí)的基于內(nèi)核和基于關(guān)聯(lián)的跟蹤算法。要了解如何開始使用OpenCV構(gòu)建第一個(gè)對(duì)象跟蹤，請(qǐng)繼續(xù)閱讀！
使用OpenCV進(jìn)行簡(jiǎn)單的對(duì)象跟蹤
我們將使用OpenCV庫實(shí)現(xiàn)一個(gè)簡(jiǎn)單的對(duì)象跟蹤算法。該對(duì)象跟蹤算法被稱為質(zhì)心跟蹤，因?yàn)樗蕾囉冢?）現(xiàn)有對(duì)象質(zhì)心（即，質(zhì)心跟蹤器之前已經(jīng)看到的對(duì)象）和（2）視頻中后續(xù)幀之間的新對(duì)象質(zhì)心之間的歐幾里德距離。
我們將在后續(xù)部分中更深入地回顧質(zhì)心算法。從那里我們將實(shí)現(xiàn)一個(gè)Python類來包含我們的質(zhì)心跟蹤算法，然后創(chuàng)建一個(gè)Python腳本來實(shí)際運(yùn)行對(duì)象跟蹤器并將其應(yīng)用于輸入視頻。
最后，我們將運(yùn)行我們的對(duì)象跟蹤器并檢查結(jié)果，同時(shí)注意算法的正面和缺點(diǎn)。
質(zhì)心跟蹤算法
質(zhì)心跟蹤算法是一個(gè)多步驟的過程。我們將審核本節(jié)中的每個(gè)跟蹤步驟。
一、接受邊界框坐標(biāo)并計(jì)算質(zhì)心
質(zhì)心跟蹤算法假設(shè)我們?cè)诿總€(gè)幀中為每個(gè)檢測(cè)到的對(duì)象傳入一組邊界框（x，y） 坐標(biāo)。
這些邊界框可以由您想要的任何類型的物體探測(cè)器（color thresholding + contour extraction, Haar cascades, HOG + Linear SVM, SSDs, Faster R-CNNs, etc.）生成，只要它們是針對(duì)每個(gè)幀計(jì)算的在該視頻里。
一旦我們有了邊界框坐標(biāo)，我們就必須計(jì)算“質(zhì)心”，或者更簡(jiǎn)單地說，計(jì)算邊界框的中心（x，y） 坐標(biāo)。上面的圖1演示了接受一組邊界框坐標(biāo)并計(jì)算質(zhì)心。
由于這些是我們的算法中提供的第一組初始邊界框，因此我們將為它們分配唯一ID。
計(jì)算新邊界框與現(xiàn)有對(duì)象界框之間的歐幾里德距離
對(duì)于視頻流中的每個(gè)后續(xù)幀，我們應(yīng)用計(jì)算對(duì)象質(zhì)心的步驟＃1;但是，我們首先需要確定是否可以將新對(duì)象質(zhì)心（黃色）與舊對(duì)象質(zhì)心（紫色）相關(guān)聯(lián)，而不是為每個(gè)檢測(cè)到的對(duì)象分配新的唯一ID（這會(huì)破壞對(duì)象跟蹤的目的）。為了完成這個(gè)過程，我們計(jì)算每對(duì)現(xiàn)有對(duì)象質(zhì)心和輸入對(duì)象質(zhì)心之間的歐幾里德距離（用綠色箭頭突出顯示）。
從圖2中可以看出，我們這次在圖像中檢測(cè)到了三個(gè)對(duì)象。兩對(duì)靠近的是兩個(gè)現(xiàn)有對(duì)象。
然后我們計(jì)算每對(duì)原始質(zhì)心（黃色）和新質(zhì)心（紫色）之間的歐幾里德距離。但是，我們?nèi)绾问褂眠@些點(diǎn)之間的歐幾里德距離來實(shí)際匹配它們并將它們聯(lián)系起來？
答案在第3步。
步驟＃3：更新（x，y） 現(xiàn)有對(duì)象的坐標(biāo)
質(zhì)心跟蹤算法的主要假設(shè)是給定對(duì)象可能在后續(xù)幀之間移動(dòng)，但幀F(xiàn)t和Ft+1的質(zhì)心之間的距離將小于對(duì)象之間的所有其他距離。
因此，如果我們選擇將質(zhì)心與后續(xù)幀之間的最小距離相關(guān)聯(lián)，我們就可以構(gòu)建我們的對(duì)象跟蹤器。
在圖3中，您可以看到我們的質(zhì)心跟蹤器算法如何選擇關(guān)聯(lián)質(zhì)心，以最小化它們各自的歐幾里德距離。
但左下角的孤點(diǎn)呢？它沒有任何關(guān)聯(lián) - 我們用它做什么？
步驟＃4：注冊(cè)新對(duì)象
如果有比跟蹤的現(xiàn)有對(duì)象更多的輸入檢測(cè)對(duì)象，我們需要注冊(cè)新對(duì)象?！白?cè)”只是意味著我們將新對(duì)象添加到我們的跟蹤對(duì)象列表中：
1、為其分配新的對(duì)象ID
2、存儲(chǔ)該對(duì)象的邊界框坐標(biāo)的質(zhì)心
然后我們可以回到步驟＃2，為視頻流中的每一幀重復(fù)步驟流程。
圖4演示了使用最小歐幾里德距離關(guān)聯(lián)現(xiàn)有對(duì)象ID然后注冊(cè)新對(duì)象的過程。
步驟＃5：取消注冊(cè)舊對(duì)象
任何合理的對(duì)象跟蹤算法都需要能夠處理對(duì)象丟失，消失或離開視野的時(shí)間。
確切地說，如何處理這些情況實(shí)際上取決于要部署對(duì)象跟蹤器的位置，但是對(duì)于此實(shí)現(xiàn)，我們將在舊對(duì)象無法與任何現(xiàn)有對(duì)象匹配時(shí)在N個(gè)后續(xù)幀之后取消注冊(cè)。
對(duì)象跟蹤項(xiàng)目結(jié)構(gòu)
要在終端中查看今天的項(xiàng)目結(jié)構(gòu)，只需使用tree命令：
centroidtracker.py包含CentroidTracker類的。
centroidTracker類是object_tracker.py驅(qū)動(dòng)程序腳本中使用的重要組件。
其余的.prototxt和.caffemodel文件是OpenCV深度學(xué)習(xí)面部檢測(cè)器的一部分。它們是今天的人臉檢測(cè)+跟蹤方法所必需的，但您可以輕松使用其他形式的檢測(cè)（稍后會(huì)詳細(xì)介紹）。
在繼續(xù)之前，請(qǐng)確保已安裝NumPy，SciPy和imutils：
除了安裝OpenCV 3.3+之外。如果你按照我的一個(gè)OpenCV安裝教程，請(qǐng)確保替換wget命令的尾端至少獲取OpenCV 3.3（并更新CMake命令中的路徑）。您需要3.3+才能確保擁有DNN模塊。
使用OpenCV實(shí)現(xiàn)質(zhì)心跟蹤
在我們將對(duì)象跟蹤應(yīng)用于輸入視頻流之前，我們首先需要實(shí)現(xiàn)質(zhì)心跟蹤算法。在您消化此質(zhì)心跟蹤器腳本時(shí)，請(qǐng)記住上面的步驟1-5并根據(jù)需要查看步驟。
正如您將看到的，將步驟轉(zhuǎn)換為代碼需要相當(dāng)多的思考，而當(dāng)我們執(zhí)行所有步驟時(shí)，由于我們各種數(shù)據(jù)結(jié)構(gòu)和代碼構(gòu)造的性質(zhì)，它們不是線性的。
建議：閱讀上面的步驟；閱讀質(zhì)心跟蹤器的代碼說明；最后再次閱讀上述步驟。
這個(gè)過程將帶來一切完整的循環(huán)，讓你頭腦圍繞算法。
一旦你確定你理解了質(zhì)心跟蹤算法中的步驟，打開pyimagesearch模塊中的centroidtracker.py并讓我們查看代碼：
在第2-4行，我們導(dǎo)入我們所需的包和模塊 - distance，OrderedDict和numpy。
我們的CentroidTracker類在第6行定義。構(gòu)造函數(shù)接受一個(gè)參數(shù)，給定對(duì)象必須丟失/消失的最大連續(xù)幀數(shù)，直到我們從跟蹤器中刪除它（第7行）。
我們的構(gòu)造函數(shù)構(gòu)建了四個(gè)類變量：
1、nextObjectID：用于為每個(gè)對(duì)象分配唯一ID的計(jì)數(shù)器（第12行）。在對(duì)象離開幀并且沒有返回maxDisappeared幀的情況下，將分配新的（下一個(gè)）對(duì)象ID。
2、objects ：字典使用對(duì)象ID作為鍵；質(zhì)心（x，y） 坐標(biāo)作為值（第13行）。
3、disappeared：保持特定對(duì)象ID（鍵）的連續(xù)幀數(shù)（值）已被標(biāo)記為“丟失”（第14行）。
4、maxDisappeared：在我們?nèi)∠?cè)對(duì)象之前，允許將對(duì)象標(biāo)記為“丟失/消失”的連續(xù)幀數(shù)。
讓我們定義一個(gè)注冊(cè)方法，它負(fù)責(zé)向跟蹤器添加新對(duì)象：
register方法在第21行定義。它接受質(zhì)心，然后使用下一個(gè)可用的對(duì)象ID將其添加到對(duì)象字典中。
在disappeared的字典中，對(duì)象消失的次數(shù)被初始化為0（第25行）。
最后，我們遞增nextObjectID，以便在新對(duì)象進(jìn)入視圖時(shí)，它將與唯一ID相關(guān)聯(lián)（第26行）。
與我們的register方法類似，我們還需要一個(gè)deregister方法：
就像我們可以向跟蹤器添加新對(duì)象一樣，我們還需要能夠從輸入幀本身中刪除丟失或消失的舊對(duì)象。
deregister方法在第28行定義。它只是分別刪除objectID在objects和disappeared的字典中（第31和32行）。
我們的質(zhì)心跟蹤器實(shí)現(xiàn)的核心在于update方法：
在第34行定義的更新方法接受邊界框矩形的列表，可能來自對(duì)象檢測(cè)器（Haar cascade, HOG + Linear SVM, SSD, Faster R-CNN等）。 rects參數(shù)的格式假定為具有以下結(jié)構(gòu)的元組：（startX，startY，endX，endY）。
如果沒有檢測(cè)，我們將遍歷所有objectIDs并遞增它們消失的計(jì)數(shù)（第37-41行）。我們還將檢查是否已達(dá)到給定對(duì)象被標(biāo)記為缺失的最大連續(xù)幀數(shù)。如果是這種情況，我們需要將其從跟蹤系統(tǒng)中刪除（第46和47行）。由于沒有更新的跟蹤信息，我們繼續(xù)在51號(hào)線提前返回。
否則，我們?cè)诟路椒ㄖ械南缕邆€(gè)代碼塊上要做很多工作：
在第54行，我們將初始化一個(gè)NumPy數(shù)組來存儲(chǔ)每個(gè)rect的質(zhì)心。
然后，我們遍歷邊界框矩形（第57行）并計(jì)算質(zhì)心并將其存儲(chǔ)在inputCentroids列表中（第59-61行）。
如果我們當(dāng)前沒有跟蹤的對(duì)象，我們將注冊(cè)每個(gè)新對(duì)象：
否則，我們需要根據(jù)最小化它們之間的歐幾里德距離的質(zhì)心位置更新任何現(xiàn)有對(duì)象（x，y） 坐標(biāo)：
對(duì)現(xiàn)有被跟蹤對(duì)象的更新從第72行的else開始。目標(biāo)是跟蹤對(duì)象并保持正確的object IDs - 這個(gè)過程是通過計(jì)算所有objectCentroids和inputCentroids之間的歐幾里德距離，然后關(guān)聯(lián)來完成的。最小化歐幾里德距離的object IDs。
在第72行開始的else塊內(nèi)，我們將：
1、獲取objectIDs和objectCentroid值（第74和75行）。
2、計(jì)算每對(duì)現(xiàn)有對(duì)象質(zhì)心和新輸入質(zhì)心之間的距離（第81行）。距離圖D的輸出NumPy數(shù)組形狀將是（(# of object centroids, # of input centroids)。
3、要執(zhí)行匹配，我們必須（1）找到每行中的最小值，以及（2）根據(jù)最小值對(duì)行索引進(jìn)行排序（第88行）。我們對(duì)列執(zhí)行非常類似的過程，找到每列中的最小值，然后根據(jù)有序行對(duì)它們進(jìn)行排序（第93行）。我們的目標(biāo)是使索引值在列表的前面具有最小的相應(yīng)距離。
下一步是使用距離來查看我們是否可以關(guān)聯(lián)object IDs：
在上面的代碼塊中，我們：
1、初始化兩個(gè)集合以確定我們已經(jīng)使用了哪些行和列索引（第98和99行）。請(qǐng)記住，集合類似于列表，但它只包含唯一值。
2、然后我們遍歷（row，col）索引元組（第103行）的組合，以便更新我們的對(duì)象質(zhì)心：
如果我們已經(jīng)使用了這個(gè)行或列索引，請(qǐng)忽略它并繼續(xù)循環(huán)（第107和108行）；
否則，我們找到了一個(gè)輸入質(zhì)心：
? ??1.與現(xiàn)有質(zhì)心的歐幾里得距離最小
????2.并沒有與任何其他物體相匹配
? ? 3.在這種情況下，我們更新對(duì)象質(zhì)心（第113-115行）并確保將行和列添加到它們各自的usedRows和usedCols集合中
我們的usedRows + usedCols集中可能存在索引，我們還沒有檢查過：
因此，我們必須確定尚未檢查的質(zhì)心索引，并將它們存儲(chǔ)在124和125行的兩個(gè)新的未使用集合（unusedRows和unusedCols）中。
我們的最終檢查處理任何丟失的物品或者它們可能已經(jīng)消失的物體：
完成：
如果對(duì)象質(zhì)心的數(shù)量大于或等于輸入質(zhì)心的數(shù)量（第131行）：
????我們需要通過循環(huán)未使用的行索引來驗(yàn)證這些對(duì)象中是否有任何丟失或消失（第133行）。
????在循環(huán)中，我們將：
????????1.增加字典中消失的數(shù)量（第137行）。
????????2.檢查消失的計(jì)數(shù)是否超過maxDisappeared閾值（第142行），如果是，我們將取消注冊(cè)該對(duì)象（第143行）。
否則，輸入質(zhì)心的數(shù)量大于現(xiàn)有對(duì)象質(zhì)心的數(shù)量，因此我們有新的對(duì)象來注冊(cè)和跟蹤：
我們循環(huán)遍歷unusedCols索引（第149行）并注冊(cè)每個(gè)新的質(zhì)心（第150行）。最后，我們將把可跟蹤對(duì)象集返回給調(diào)用方法（第153行）。
質(zhì)心跟蹤距離關(guān)系
我們的質(zhì)心跟蹤實(shí)現(xiàn)很長(zhǎng)，不可否認(rèn)，算法中最令人困惑的方面是81-93行。
如果您在跟蹤代碼正在執(zhí)行的操作時(shí)遇到問題，則應(yīng)考慮打開Python shell并執(zhí)行以下實(shí)驗(yàn)：
使用python命令在終端中啟動(dòng)Python shell后，導(dǎo)入距離和numpy，如第1行和第2行所示。
然后，設(shè)置種子以獲得再現(xiàn)性（第3行）并生成2個(gè)（隨機(jī)的）現(xiàn)有的objectCentroids（第4行）和3個(gè)inputCentroids（第5行）。
從那里，計(jì)算兩對(duì)之間的歐幾里德距離（第6行）并顯示結(jié)果（第7-9行）。結(jié)果是具有兩行（現(xiàn)有對(duì)象質(zhì)心的＃）和三列（新輸入質(zhì)心的＃）的距離矩陣D.
就像我們之前在腳本中所做的那樣，讓我們??找到每行中的最小距離，并根據(jù)此值對(duì)索引進(jìn)行排序：
首先，我們找到每行的最小值，允許我們找出哪個(gè)現(xiàn)有對(duì)象最接近新的輸入質(zhì)心（第10行和第11行）。然后對(duì)這些值進(jìn)行排序（第12行），我們可以獲得這些行的索引（第13行和第14行）。
在這種情況下，第二行（索引1）具有最小值，然后第一行（索引0）具有下一個(gè)最小值。
對(duì)列使用類似的過程：
我們首先檢查列中的值，并找到具有最小列的值的索引（第15行和第16行）。
然后，我們使用現(xiàn)有行（第17-19行）對(duì)這些值進(jìn)行排序。
讓我們打印結(jié)果并分析它們：
最后一步是使用zip（第20行）組合它們。結(jié)果列表打印在第21行。
分析結(jié)果，我們發(fā)現(xiàn)：
1、D [1,2]具有最小的歐幾里德距離，暗示第二現(xiàn)有對(duì)象將與第三輸入質(zhì)心匹配。
2、并且D [0,1]具有下一個(gè)最小的歐幾里德距離，這意味著第一個(gè)現(xiàn)有對(duì)象將與第二個(gè)輸入質(zhì)心匹配。
我想在此重申，既然您已經(jīng)查看了代碼，那么您應(yīng)該回過頭來查看上一節(jié)中算法的步驟。從那里，您將能夠?qū)⒋a與此處概述的更線性的步驟相關(guān)聯(lián)。
實(shí)現(xiàn)對(duì)象跟蹤驅(qū)動(dòng)程序腳本
現(xiàn)在我們已經(jīng)實(shí)現(xiàn)了CentroidTracker類，讓我們使用對(duì)象跟蹤驅(qū)動(dòng)程序腳本。
驅(qū)動(dòng)程序腳本是您可以使用自己的首選對(duì)象檢測(cè)器的地方，前提是它生成一組邊界框。這可能是Haar Cascade, HOG + Linear SVM, YOLO, SSD, Faster R-CNN等。對(duì)于這個(gè)示例腳本，我正在使用OpenCV的深度學(xué)習(xí)面部檢測(cè)器，但隨意制作您自己的版本的實(shí)現(xiàn)不同檢測(cè)器的腳本。
在這個(gè)腳本中，我們將：
1、使用實(shí)時(shí)VideoStream對(duì)象從網(wǎng)絡(luò)攝像頭中抓取幀
2、加載并利用OpenCV的深度學(xué)習(xí)人臉檢測(cè)器
3、實(shí)例化我們的CentroidTracker并使用它來跟蹤視頻流中的面部對(duì)象
4、并顯示我們的結(jié)果，其中包括在框架上覆蓋的邊界框和對(duì)象ID注釋
當(dāng)你準(zhǔn)備好了，從今天的“下載”打開object_tracker.py并按照：
首先，我們指定我們的進(jìn)口。最值得注意的是，我們正在使用我們剛剛審核過的CentroidTracker類。我們還將使用imutils和OpenCV的VideoStream。
我們有三個(gè)命令行參數(shù)，它們都與我們的深度學(xué)習(xí)面部檢測(cè)器有關(guān)：
--prototxt：Caffe“部署”原型文件的路徑。
--model：預(yù)訓(xùn)練模型模型的路徑。
--confidence：我們過濾弱檢測(cè)的概率閾值。我發(fā)現(xiàn)默認(rèn)值為0.5就足夠了。
原型文件和模型文件來自O(shè)penCV的存儲(chǔ)庫，為方便起見，我將它們包含在“下載”中。
注意：如果您在本節(jié)開頭錯(cuò)過了它，我將重復(fù)您可以使用您想要的任何探測(cè)器。例如，我們使用深度學(xué)習(xí)面部檢測(cè)器來生成邊界框。隨意嘗試其他探測(cè)器，只要確保你有能力的硬件來跟上更復(fù)雜的探測(cè)器（有些可能最好用GPU，但今天的面部探測(cè)器可以很容易地在CPU上運(yùn)行）。
接下來，讓我們執(zhí)行初始化：
在上面的塊中，我們：
實(shí)例化我們的CentroidTracker，ct（第21行）?；叵胍幌律弦还?jié)中的解釋，該對(duì)象有三種方法：（1）寄存器，（2）注銷，（3）更新。我們只會(huì)使用update方法，因?yàn)樗鼤?huì)自動(dòng)注冊(cè)和取消注冊(cè)對(duì)象。我們還將H和W（我們的幀尺寸）初始化為None（第22行）。
使用OpenCV的DNN模塊（第26行）從磁盤加載我們的序列化深度學(xué)習(xí)人臉檢測(cè)器模型。
啟動(dòng)我們的VideoStream，vs（第30行）。使用vs方便，我們將能夠在下一個(gè)while循環(huán)中從我們的相機(jī)捕獲幀。我們將讓我們的相機(jī)在2.0秒內(nèi)預(yù)熱（第31行）。
現(xiàn)在讓我們開始我們的while循環(huán)并開始跟蹤面部對(duì)象：
我們?cè)诘?4-47行上循環(huán)幀并將它們調(diào)整為固定寬度（同時(shí)保留縱橫比）。我們根據(jù)需要抓取框架尺寸（第40和41行）。
然后我們將幀傳遞通過CNN對(duì)象檢測(cè)器以獲得預(yù)測(cè)和對(duì)象位置（第46-49行）。
我們初始化一個(gè)rects列表，我們?cè)诘?0行上的邊界框矩形。
從那里，讓我們處理檢測(cè)：
我們遍歷從第53行開始的檢測(cè)。如果檢測(cè)超過我們的置信度閾值，指示有效檢測(cè)，我們：
計(jì)算邊界框坐標(biāo)并將它們附加到rects列表（第59和60行）
在對(duì)象周圍繪制一個(gè)邊界框（第64-66行）
最后，讓我們?cè)谖覀兊馁|(zhì)心跟蹤器對(duì)象上調(diào)用update，ct：
第70行的ct.update調(diào)用使用Python和OpenCV腳本處理簡(jiǎn)單對(duì)象跟蹤器中的繁重工作。
如果我們不關(guān)心可視化，我們將在這里完成并準(zhǔn)備好回到頂部。
但那沒什么好玩的！
在第73-79行，我們將質(zhì)心顯示為填充圓和唯一對(duì)象ID號(hào)文本。現(xiàn)在，我們將能夠可視化結(jié)果并檢查我們的CentroidTracker是否通過將正確的ID與視頻流中的對(duì)象相關(guān)聯(lián)來正確跟蹤我們的對(duì)象。
我們將在第82行顯示幀，直到按下退出鍵（“q”）（第83-87行）。如果按下退出鍵，我們只需中斷并執(zhí)行清理（第87-91行）。
質(zhì)心對(duì)象跟蹤結(jié)果
要使用此博客文章的“下載”部分查看我們的質(zhì)心跟蹤器，請(qǐng)下載源代碼和OpenCV人臉檢測(cè)器。從那里，打開一個(gè)終端并執(zhí)行以下命令：
您可以在下面看到一個(gè)被檢測(cè)和跟蹤的單個(gè)臉部（我的臉）的示例：
第二個(gè)示例包括正確檢測(cè)和跟蹤的兩個(gè)對(duì)象：
請(qǐng)注意，一旦我將書籍封面移到相機(jī)視圖之外，即使第二張臉“丟失”，我們的物體追蹤也能夠在視線進(jìn)入時(shí)再次拾起臉部。如果面部在視野外存在超過50幀，則該對(duì)象將被取消注冊(cè)。
此處的最終示例動(dòng)畫演示了跟蹤三個(gè)唯一對(duì)象：
同樣，盡管對(duì)象ID＃2在某些幀之間未被成功檢測(cè)到，但我們的對(duì)象跟蹤算法能夠再次找到它并將其與其原始質(zhì)心相關(guān)聯(lián)。
限制和缺點(diǎn)
雖然我們的質(zhì)心跟蹤器在此示例中運(yùn)行良好，但此對(duì)象跟蹤算法存在兩個(gè)主要缺點(diǎn)。
首先，它要求在輸入視頻的每一幀上運(yùn)行對(duì)象檢測(cè)步驟。
對(duì)于必須在每個(gè)輸入幀上運(yùn)行檢測(cè)器的非?？斓奈矬w檢測(cè)器（即，顏色閾值和Haar級(jí)聯(lián)）可能不是問題。
但是如果你（1）在（2）資源受限的設(shè)備上使用計(jì)算成本更高的物體檢測(cè)器（如HOG +線性SVM或基于深度學(xué)習(xí)的檢測(cè)器），那么您的幀處理流程將會(huì)大大減慢，因?yàn)槟鷮⒒ㄙM(fèi)整個(gè)管道運(yùn)行一個(gè)非常慢的探測(cè)器。
第二個(gè)缺點(diǎn)與質(zhì)心跟蹤算法本身的基本假設(shè)有關(guān) - 質(zhì)心必須在后續(xù)幀之間靠近在一起。
這個(gè)假設(shè)通常都有，但請(qǐng)記住，我們用2D幀表示我們的3D世界 - 當(dāng)一個(gè)物體與另一個(gè)物體重疊時(shí)會(huì)發(fā)生什么？
答案是可能發(fā)生對(duì)象ID切換。
如果兩個(gè)或更多個(gè)對(duì)象彼此重疊到它們的質(zhì)心相交的點(diǎn)并且相反具有到另一個(gè)相應(yīng)對(duì)象的最小距離，則算法可以（在不知不覺中）交換對(duì)象ID。
重要的是要理解重疊/遮擋對(duì)象問題不是特定于質(zhì)心跟蹤 - 它也適用于許多其他對(duì)象跟蹤器，包括高級(jí)跟蹤器。
然而，質(zhì)心跟蹤問題更為明顯，因?yàn)槲覀儑?yán)格依賴于質(zhì)心之間的歐幾里德距離而沒有額外的度量，啟發(fā)式或?qū)W習(xí)模式。
只要您在使用質(zhì)心跟蹤時(shí)記住這些假設(shè)和限制，算法將為您精彩地工作。
總結(jié)
在今天的博客文章中，您學(xué)習(xí)了如何使用稱為質(zhì)心跟蹤的算法使用OpenCV執(zhí)行簡(jiǎn)單的對(duì)象跟蹤。
質(zhì)心跟蹤算法的工作原理是：
接受每幀中每個(gè)對(duì)象的邊界框坐標(biāo)（可能是由某個(gè)對(duì)象檢測(cè)器）。
計(jì)算輸入邊界框的質(zhì)心與我們已經(jīng)檢查過的現(xiàn)有對(duì)象的質(zhì)心之間的歐幾里德距離。
基于具有最小歐幾里德距離的新質(zhì)心，將跟蹤對(duì)象質(zhì)心更新為其新質(zhì)心位置。
如有必要，將對(duì)象標(biāo)記為“消失”或完全取消注冊(cè)。
我們的質(zhì)心跟蹤器在本示例教程中表現(xiàn)良好，但有兩個(gè)主要缺點(diǎn)：
它要求我們?yōu)橐曨l的每一幀運(yùn)行一個(gè)物體探測(cè)器 - 如果你的物體探測(cè)器運(yùn)行成本很高，你就不想使用這種方法。
它不能很好地處理重疊物體，并且由于質(zhì)心之間的歐幾里德距離的性質(zhì)，我們的質(zhì)心實(shí)際上可能“交換ID”，這遠(yuǎn)非理想。
盡管存在缺點(diǎn)，但質(zhì)心跟蹤可以用于很多物體跟蹤應(yīng)用程序中。（1）您的環(huán)境受到一定程度的控制，您不必?fù)?dān)心可能重疊的物體。（2）您的物體探測(cè)器本身可以在實(shí)際中運(yùn)行-時(shí)間。
