标签:
首先提供几篇关于粒子滤波算法的博客:
http://www.cnblogs.com/yangyangcv/archive/2010/05/23/1742263.html 这篇博客比较通俗易懂,简单的介绍了粒子滤波的基本工作思想和步骤。
http://www.cnblogs.com/lwbaptx/archive/2011/10/20/2218419.html这篇博客用的是opencv1.0,实现的功能是用粒子滤波跟踪鼠标轨迹,有视频演示,效果还不错。
http://blog.csdn.net/yang_xian521/article/details/6928131 这篇博客是用粒子滤波来做视频目标跟踪的,里面也有opencv2.0的代码,有注释,结构比较清晰。我这里就把他的代码和分析贴出来,里面加了我添加了一些注释,这样看起来更加清晰。
代码和解释如下:
// particle_demo.cpp : 定义控制台应用程序的入口点。 // #include "stdafx.h" /************************************************************************/ /* Description: 基本的粒子滤波目标跟踪 Author: Yang Xian Email: yang_xian521@163.com Version: 2011-11-2 History: */ /************************************************************************/ #include <iostream> // for standard I/O #include <string> // for strings #include <iomanip> // for controlling float print precision #include <sstream> // string to number conversion #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/core/core.hpp> // Basic OpenCV structures (cv::Mat, Scalar) #include <opencv2/highgui/highgui.hpp> // OpenCV window I/O using namespace cv; using namespace std; // 以下这些参数对结果影响很大,而且也会根据视频内容,会对结果有很大的影响 const int PARTICLE_NUM = 25; // 粒子个数 // 粒子放入的相关区域 const double A1 = 2.0; const double A2 = -1.0; const double B0 = 1.0; // 高斯随机数sigma参数 const double SIGMA_X = 1.0; const double SIGMA_Y = 0.5; const double SIGMA_SCALE = 0.001; // 粒子结构体 typedef struct particle { double x; // 当前x坐标 double y; // 当前y坐标 double scale; // 窗口比例系数 double xPre; // x坐标预测位置 double yPre; // y坐标预测位置 double scalePre; // 窗口预测比例系数 double xOri; // 原始x坐标 double yOri; // 原始y坐标 Rect rect; // 原始区域大小 MatND hist; // 粒子区域的特征直方图 double weight; // 该粒子的权重 } PARTICLE; Mat hsv; // hsv色彩空间的输入图像 Mat roiImage; // 目标区域 MatND roiHist; // 目标区域直方图 Mat img; // 输出的目标图像 PARTICLE particles[PARTICLE_NUM]; // 粒子 int nFrameNum = 0; bool bSelectObject = false; // 区域选择标志 bool bTracking = false; // 开始跟踪标志 Point origin; // 鼠标按下时的点位置 Rect selection;// 感兴趣的区域大小 // 直方图相关参数,特征的选取也会对结果影响巨大 // Quantize the hue to 30 levels // and the saturation to 32 levels // value to 10 levels int hbins = 180, sbins = 256, vbin = 10; int histSize[] = {hbins, sbins, vbin}; // hue varies from 0 to 179, see cvtColor float hranges[] = { 0, 180 }; // saturation varies from 0 (black-gray-white) to 255 (pure spectrum color) float sranges[] = { 0, 256 }; // value varies from 0 (black-gray-white) to 255 (pure spectrum color) float vranges[] = { 0, 256 }; const float* ranges[] = {hranges, sranges, vranges}; // we compute the histogram from the 0-th and 1-st channels int channels[] = {0, 1, 2}; // 鼠标响应函数,得到选择的区域,保存在selection void onMouse(int event, int x, int y, int, void*) { if( bSelectObject ) { selection.x = MIN(x, origin.x); selection.y = MIN(y, origin.y); selection.width = std::abs(x - origin.x); selection.height = std::abs(y - origin.y); selection &= Rect(0, 0, img.cols, img.rows); } switch (event) { case CV_EVENT_LBUTTONDOWN: origin = Point(x,y); selection = Rect(x,y,0,0); bSelectObject = true; bTracking = false; break; case CV_EVENT_LBUTTONUP: bSelectObject = false; // if( selection.width > 0 && selection.height > 0 ) bTracking = true; nFrameNum = 0; break; } } // 快速排序算法排序函数 int particle_cmp(const void* p1,const void* p2) { PARTICLE* _p1 = (PARTICLE*)p1; PARTICLE* _p2 = (PARTICLE*)p2; if(_p1->weight < _p2->weight) return 1; //按照权重降序排序 if(_p1->weight > _p2->weight) return -1; return 0; } const char* keys = { "{1| | 0 | camera number}" }; int main(int argc, const char **argv)//这里char **argv前必须用const,why? { int delay = 30; // 控制播放速度 char c; // 键值 /*读取avi文件*/ VideoCapture captRefrnc("IndoorGTTest1.avi"); // 视频文件 /*打开摄像头*/ //VideoCapture captRefrnc; //CommandLineParser parser(argc, argv, keys);//命令解析器函数 //int camNum = parser.get<int>("1"); //captRefrnc.open(camNum); if ( !captRefrnc.isOpened()) { return -1; } // Windows const char* WIN_RESULT = "Result"; namedWindow(WIN_RESULT, CV_WINDOW_AUTOSIZE); //namedWindow(WIN_RESULT, 0); // namedWindow("Result",0); // 鼠标响应函数 //setMouseCallback(WIN_RESULT, onMouse, 0); setMouseCallback("Result", onMouse, 0); Mat frame; //视频的每一帧图像 bool paused = false; PARTICLE * pParticles = particles;//particles为可装PARTICLE_NUM个PARTICLE结构体的数组,所以pParticles为指向其数组的指针 while(true) //Show the image captured in the window and repeat { if(!paused) { captRefrnc >> frame; if(frame.empty()) break; } frame.copyTo(img); // 接下来的操作都是对src的 // 选择目标后进行跟踪 if (bTracking == true)//鼠标操作选完后 { if(!paused) { nFrameNum++;//帧数计数器 cvtColor(img, hsv, CV_BGR2HSV); Mat roiImage(hsv, selection); // 目标区域,这个构造函数第二个参数表示截取selection部分 if (nFrameNum == 1) //选择目标后的第一帧需要初始化 { // step 1: 提取目标区域特征,难道其目标特征就是其色调的直方图分布? calcHist(&roiImage, 1, channels, Mat(), roiHist, 3, histSize, ranges); normalize(roiHist, roiHist); // 归一化L2 // step 2: 初始化particle pParticles = particles; for (int i=0; i<PARTICLE_NUM; i++) { pParticles->x = selection.x + 0.5 * selection.width; pParticles->y = selection.y + 0.5 * selection.height; pParticles->xPre = pParticles->x; pParticles->yPre = pParticles->y; pParticles->xOri = pParticles->x; pParticles->yOri = pParticles->y; pParticles->rect = selection; pParticles->scale = 1.0; pParticles->scalePre = 1.0; pParticles->hist = roiHist; pParticles->weight = 0; pParticles++; } } else //不是第一帧 { pParticles = particles; RNG rng;//随机数序列产生器 for (int i=0; i<PARTICLE_NUM; i++) { // step 3: 求particle的transition,粒子结构中的参数全部更新过 double x, y, s; pParticles->xPre = pParticles->x; pParticles->yPre = pParticles->y; pParticles->scalePre = pParticles->scale; x = A1 * (pParticles->x - pParticles->xOri) + A2 * (pParticles->xPre - pParticles->xOri) + B0 * rng.gaussian(SIGMA_X) + pParticles->xOri;//以当前点为中心产生高斯分布的粒子 pParticles->x = std::max(0.0, std::min(x, img.cols-1.0));//其实就是x,只是考虑了边界在内而已 y = A1 * (pParticles->y - pParticles->yOri) + A2 * (pParticles->yPre - pParticles->yOri) + B0 * rng.gaussian(SIGMA_Y) + pParticles->yOri; pParticles->y = std::max(0.0, std::min(y, img.rows-1.0)); s = A1 * (pParticles->scale - 1.0) + A2 * (pParticles->scalePre - 1.0) + B0 * rng.gaussian(SIGMA_SCALE) + 1.0; pParticles->scale = std::max(0.1, std::min(s, 3.0)); // rect参数有待考证 pParticles->rect.x = std::max(0, std::min(cvRound(pParticles->x - 0.5 * pParticles->rect.width * pParticles->scale), img.cols-1)); // 0 <= x <= img.rows-1 pParticles->rect.y = std::max(0, std::min(cvRound(pParticles->y - 0.5 * pParticles->rect.height * pParticles->scale), img.rows-1)); // 0 <= y <= img.cols-1 pParticles->rect.width = std::min(cvRound(pParticles->rect.width * pParticles->scale), img.cols - pParticles->rect.x); pParticles->rect.height = std::min(cvRound(pParticles->rect.height * pParticles->scale), img.rows - pParticles->rect.y); // Ori参数不改变 // step 4: 求particle区域的特征直方图 Mat imgParticle(img, pParticles->rect); calcHist(&imgParticle, 1, channels, Mat(), pParticles->hist, 3, histSize, ranges); normalize(pParticles->hist, pParticles->hist); // 归一化L2 // step 5: 特征的比对,更新particle权重 //compareHist()函数返回2个直方图之间的相似度,因为参数为CV_COMP_INTERSECT,所以返回的是最小直方图值之和 pParticles->weight = compareHist(roiHist, pParticles->hist, CV_COMP_INTERSECT);//其差值直接作为其权值 pParticles++; } // step 6: 归一化粒子权重 double sum = 0.0; int i; pParticles = particles; for(i=0; i<PARTICLE_NUM; i++) { sum += pParticles->weight; pParticles++; } pParticles = particles; for(i=0; i<PARTICLE_NUM; i++) { pParticles->weight /= sum; pParticles++; } // step 7: resample根据粒子的权重的后验概率分布重新采样 pParticles = particles; // PARTICLE* newParticles = new PARTICLE[sizeof(PARTICLE) * PARTICLE_NUM]; PARTICLE newParticles[PARTICLE_NUM]; int np, k = 0; //qsort()函数为对数组进行快速排序,其中第4个参数表示的是排序是升序还是降序 qsort(pParticles, PARTICLE_NUM, sizeof(PARTICLE), &particle_cmp);//这里采用的是降序排列 for(int i=0; i<PARTICLE_NUM; i++) { np = cvRound(particles[i].weight * PARTICLE_NUM);//权值高的优先重采样 for(int j=0; j<np; j++) { newParticles[k++] = particles[i]; if(k == PARTICLE_NUM)//重采样后达到了个数要求则直接跳出 goto EXITOUT; } } while(k < PARTICLE_NUM) { newParticles[k++] = particles[0];//个数不够时,将权值最高的粒子重复给 } EXITOUT: for (int i=0; i<PARTICLE_NUM; i++) { particles[i] = newParticles[i]; } }// end else qsort(pParticles, PARTICLE_NUM, sizeof(PARTICLE), &particle_cmp); // step 8: 计算粒子的期望,作为跟踪结果 Rect_<double> rectTrackingTemp(0.0, 0.0, 0.0, 0.0); pParticles = particles; for (int i=0; i<PARTICLE_NUM; i++) { rectTrackingTemp.x += pParticles->rect.x * pParticles->weight;//坐标加上权重的偏移值 rectTrackingTemp.y += pParticles->rect.y * pParticles->weight; rectTrackingTemp.width += pParticles->rect.width * pParticles->weight;//宽度也要加上权值的偏移值 rectTrackingTemp.height += pParticles->rect.height * pParticles->weight; pParticles++; } Rect rectTracking(rectTrackingTemp); // 跟踪结果 // 显示各粒子的运动 for (int i=0; i<PARTICLE_NUM; i++) { rectangle(img, particles[i].rect, Scalar(255,0,0)); } // 显示跟踪结果 rectangle(img, rectTracking, Scalar(0,0,255), 3); } }// end Tracking // imshow(WIN_SRC, frame); imshow(WIN_RESULT, img); c = (char)waitKey(delay); if( c == 27 ) break; switch(c) { case ‘p‘://暂停键 paused = !paused; break; default: ; } }// end while }
但是用他的代码在进行鼠标选定后就出现如下错误。
我的工程环境:opencv2.2+vs2010
经过单步调试跟踪后发现,错误的那一行为:
pParticles->weight = compareHist(roiHist, pParticles->hist, CV_COMP_INTERSECT);
去掉该行程序可以正常运行,但是完成不了跟踪功能,其目标跟踪框不会移动,只会慢慢收敛到一个点,因为粒子的权重此时没有更新。
查找资料了很久,函数compareHist()的用法并没有错,也不知道是哪里错了。先工作暂时弄到这里,只要对粒子滤波有个感性认识即可。等过段时间再来真正学粒子滤波算法时完成该演示。
修改时间:2012.05.08:
过了这么久,重新学习粒子滤波时,想解决上面那个遗留下来的问题。事实证明C/C++内存搞死人,上面那个问题debug了2天也不懂哪里出错了。自己又用了不少时间理解程序后敲了一遍代码。那个问题暂时解决了,但是跟踪起来根本无效过。修改后的代码如下:
// particle_tracking.cpp : 定义控制台应用程序的入口点。 // #include "stdafx.h" #include <opencv2/core/core.hpp> #include "opencv2/imgproc/imgproc.hpp" #include <opencv2/highgui/highgui.hpp> #include <stdio.h> #include <iostream> using namespace cv; using namespace std; Rect select; bool select_flag=false; bool tracking=false;//跟踪标志位 bool select_show=false; Point origin; Mat frame,hsv; int after_select_frames=0;//选择矩形区域完后的帧计数 /****rgb空间用到的变量****/ //int hist_size[]={16,16,16};//rgb空间各维度的bin个数 //float rrange[]={0,255.0}; //float grange[]={0,255.0}; //float brange[]={0,255.0}; //const float *ranges[] ={rrange,grange,brange};//range相当于一个二维数组指针 /****hsv空间用到的变量****/ int hist_size[]={16,16,16}; float hrange[]={0,180.0}; float srange[]={0,256.0}; float vrange[]={0,256.0}; const float *ranges[]={hrange,srange,vrange}; int channels[]={0,1,2}; /****有关粒子窗口变化用到的相关变量****/ int A1=2; int A2=-1; int B0=1; double sigmax=1.0; double sigmay=0.5; double sigmas=0.001; /****定义使用粒子数目宏****/ #define PARTICLE_NUMBER 50 //如果这个数设定太大,比如100,则在运行时将会出现错误 /****定义粒子结构体****/ typedef struct particle { int orix,oriy;//原始粒子坐标 int x,y;//当前粒子的坐标 double scale;//当前粒子窗口的尺寸 int prex,prey;//上一帧粒子的坐标 double prescale;//上一帧粒子窗口的尺寸 Rect rect;//当前粒子矩形窗口 Mat hist;//当前粒子窗口直方图特征 double weight;//当前粒子权值 }PARTICLE; PARTICLE particles[PARTICLE_NUMBER]; /************************************************************************************************************************/ /**** 如果采用这个onMouse()函数的话,则可以画出鼠标拖动矩形框的4种情形 ****/ /************************************************************************************************************************/ void onMouse(int event,int x,int y,int,void*) { //Point origin;//不能在这个地方进行定义,因为这是基于消息响应的函数,执行完后origin就释放了,所以达不到效果。 if(select_flag) { select.x=MIN(origin.x,x);//不一定要等鼠标弹起才计算矩形框,而应该在鼠标按下开始到弹起这段时间实时计算所选矩形框 select.y=MIN(origin.y,y); select.width=abs(x-origin.x);//算矩形宽度和高度 select.height=abs(y-origin.y); select&=Rect(0,0,frame.cols,frame.rows);//保证所选矩形框在视频显示区域之内 // rectangle(frame,select,Scalar(0,0,255),3,8,0);//显示手动选择的矩形框 } if(event==CV_EVENT_LBUTTONDOWN) { select_flag=true;//鼠标按下的标志赋真值 tracking=false; select_show=true; after_select_frames=0;//还没开始选择,或者重新开始选择,计数为0 origin=Point(x,y);//保存下来单击是捕捉到的点 select=Rect(x,y,0,0);//这里一定要初始化,因为在opencv中Rect矩形框类内的点是包含左上角那个点的,但是不含右下角那个点。 } else if(event==CV_EVENT_LBUTTONUP) { select_flag=false; tracking=true; select_show=false; after_select_frames=1;//选择完后的那一帧当做第1帧 } } /****粒子权值降序排列函数****/ int particle_decrease(const void *p1,const void *p2) { PARTICLE* _p1=(PARTICLE*)p1; PARTICLE* _p2=(PARTICLE*)p2; if(_p1->weight<_p2->weight) return 1; else if(_p1->weight>_p2->weight) return -1; return 0;//相等的情况下返回0 } int main(int argc, unsigned char* argv[]) { char c; Mat target_img,track_img; Mat target_hist,track_hist; PARTICLE *pParticle; /***打开摄像头****/ VideoCapture cam(0); if (!cam.isOpened()) return -1; /****建立窗口****/ namedWindow("camera",1);//显示视频原图像的窗口 /****捕捉鼠标****/ setMouseCallback("camera",onMouse,0); while(1) { /****读取一帧图像****/ cam>>frame; if(frame.empty()) return -1; /****将rgb空间转换为hsv空间****/ cvtColor(frame,hsv,CV_BGR2HSV); if(tracking) { if(1==after_select_frames)//选择完目标区域后 { /****计算目标模板的直方图特征****/ target_img=Mat(hsv,select);//在此之前先定义好target_img,然后这样赋值也行,要学会Mat的这个操作 calcHist(&target_img,1,channels,Mat(),target_hist,3,hist_size,ranges); normalize(target_hist,target_hist); /****初始化目标粒子****/ pParticle=particles;//指针初始化指向particles数组 for(int x=0;x<PARTICLE_NUMBER;x++) { pParticle->x=cvRound(select.x+0.5*select.width);//选定目标矩形框中心为初始粒子窗口中心 pParticle->y=cvRound(select.y+0.5*select.height); pParticle->orix=pParticle->x;//粒子的原始坐标为选定矩形框(即目标)的中心 pParticle->oriy=pParticle->y; pParticle->prex=pParticle->x;//更新上一次的粒子位置 pParticle->prey=pParticle->y; pParticle->rect=select; pParticle->prescale=1; pParticle->scale=1; pParticle->hist=target_hist; pParticle->weight=0; pParticle++; } } else if(2==after_select_frames)//从第二帧开始就可以开始跟踪了 { double sum=0.0; pParticle=particles; RNG rng;//随机数产生器 /****更新粒子结构体的大部分参数****/ for(int i=0;i<PARTICLE_NUMBER;i++) { int x,y; double s; /****更新粒子的矩形区域即粒子中心****/ pParticle->prex=pParticle->x; pParticle->prey=pParticle->y; pParticle->prescale=pParticle->scale; x=cvRound(A1*(pParticle->x-pParticle->orix)+A2*(pParticle->prex-pParticle->orix)+ B0*rng.gaussian(sigmax)+pParticle->orix); pParticle->x=max(0,min(x,frame.cols-1)); y=cvRound(A1*(pParticle->y-pParticle->oriy)+A2*(pParticle->prey-pParticle->oriy)+ B0*rng.gaussian(sigmay)+pParticle->oriy); pParticle->y=max(0,min(y,frame.rows-1)); s=A1*(pParticle->scale-1)+A2*(pParticle->prescale-1)+B0*(rng.gaussian(sigmas))+1.0; pParticle->scale=max(1.0,min(s,3.0)); //注意在c语言中,x-1.0,如果x是int型,则这句语法有错误,但如果前面加了cvRound(x-0.5)则是正确的 pParticle->rect.x=max(0,min(cvRound(pParticle->x-0.5*pParticle->scale*pParticle->rect.width),frame.cols)); pParticle->rect.y=max(0,min(cvRound(pParticle->y-0.5*pParticle->scale*pParticle->rect.height),frame.rows)); pParticle->rect.width=min(cvRound(pParticle->scale*pParticle->rect.width),frame.cols-pParticle->rect.x); pParticle->rect.height=min(cvRound(pParticle->scale*pParticle->rect.height),frame.rows-pParticle->rect.y); /****计算粒子区域的新的直方图特征****/ track_img=Mat(hsv,pParticle->rect); calcHist(&track_img,1,channels,Mat(),track_hist,3,hist_size,ranges); normalize(track_hist,track_hist); /****更新粒子的权值****/ // pParticle->weight=compareHist(target_hist,track_hist,CV_COMP_INTERSECT); pParticle->weight=compareHist(target_hist,track_hist,CV_COMP_BHATTACHARYYA);//采用巴氏系数计算相似度 /****累加粒子权值****/ sum+=pParticle->weight; pParticle++; } /****归一化粒子权重****/ pParticle=particles; for(int i=0;i<PARTICLE_NUMBER;i++) { pParticle->weight/=sum; pParticle++; } /****根据粒子的权值降序排列****/ pParticle=particles; qsort(pParticle,PARTICLE_NUMBER,sizeof(PARTICLE),&particle_decrease); /****根据粒子权重重采样粒子****/ PARTICLE newParticle[PARTICLE_NUMBER]; int np=0,k=0; for(int i=0;i<PARTICLE_NUMBER;i++) { np=cvRound(pParticle->weight*PARTICLE_NUMBER); for(int j=0;j<np;j++) { newParticle[k++]=particles[i]; if(k==PARTICLE_NUMBER) goto EXITOUT; } } while(k<PARTICLE_NUMBER) newParticle[k++]=particles[0]; EXITOUT: for(int i=0;i<PARTICLE_NUMBER;i++) particles[i]=newParticle[i]; }//end else qsort(pParticle,PARTICLE_NUMBER,sizeof(PARTICLE),&particle_decrease); /****计算粒子期望,做为跟踪结果****/ Rect_<double> rectTrackingTemp(0.0,0.0,0.0,0.0); pParticle=particles; for(int i=0;i<PARTICLE_NUMBER;i++) { rectTrackingTemp.x+=pParticle->rect.x*pParticle->weight; rectTrackingTemp.y+=pParticle->rect.y*pParticle->weight; rectTrackingTemp.width+=pParticle->rect.width*pParticle->weight; rectTrackingTemp.height+=pParticle->rect.height*pParticle->weight; pParticle++; } Rect tracking_rect(rectTrackingTemp); pParticle=particles; /****显示各粒子运动结果****/ for(int m=0;m<PARTICLE_NUMBER;m++) { rectangle(frame,pParticle->rect,Scalar(255,0,0),1,8,0); pParticle++; } /****显示跟踪结果****/ rectangle(frame,tracking_rect,Scalar(0,0,255),3,8,0); after_select_frames++;//总循环每循环一次,计数加1 if(after_select_frames>2)//防止跟踪太长,after_select_frames计数溢出 after_select_frames=2; } if(select_show) rectangle(frame,select,Scalar(0,0,255),3,8,0);//显示手动选择的矩形框 //显示视频图片到窗口 imshow("camera",frame); // select.zeros(); //键盘响应 c=(char)waitKey(20); if(27==c)//ESC键 return -1; } return 0; }
标签:
原文地址:http://www.cnblogs.com/legendsun/p/5432744.html