参考：https://www.pyimagesearch.com/2018/07/30/opencv-object-tracking/

前言

Opencv作为图像处理开源库包含了Object Tracking目标追踪的一些API，使用Opencv能够方便快捷的编写目标追踪程序。

Opencv4.0目前包含了8种目标追踪算法：

• Boosting：基于在线的AdaBoost, 这个分类器需要对对象的正、负例进行训练。用户提供的初始化框(或通过其它算法检测到对象，必须MOG2，KNN检测到小车)来作为对象的正例，并将边界框外的图像块作为背景(负类) 优点：没有。这个算法已经有10年的历史了，找不到一个很好的理由去使用它，特别是当其他基于类似原理的高级跟踪器(MIL, KCF)也可用的时候。
• CSRT：判别性相关滤波器。 优点：精确度比KCF稍高。 缺点：速度不如KCF块。
• GOTURN：在跟踪器类的所有跟踪算法中，这是唯一基于卷积神经网络(CNN)的算法。也是唯一一个使用离线训练的模型，因此它比其他跟踪器更快。从opencv文档可以看出该算法对视角变化、光照、变形都具有很好的鲁棒性，但是对于遮挡性能较差。
• KCF：这个跟踪器基于前面两个跟踪器中提出的想法。该跟踪器在MIL跟踪器中使用的多个正样本具有较大的重叠区域。 优点：精度和速度都比MIL好，建议在大多数应用程序中使用该算法。 缺点：还是完全遮挡
• MedianFlow：经过测试中，发现这个跟踪器在小运动情况下表现最好。不像其他跟踪器，即使跟踪失败了还继续跟踪，这个跟踪器知道什么时候失败。 优点：跟踪失败报告，小运动下表现好 缺点：大运动，该算法失灵
• MIL：这个跟踪器与上面描述的boost跟踪器类似。最大的区别是，它不是只考虑对象的当前位置作为正类，还考虑当前位置邻域范围的潜在位置作为正类。 优点： 性能很好。它不boosting跟踪器那样，在部分遮挡下依然表现挺佳。但效果不如KCF好。 缺点：跟踪失败没有可靠的报告。完全遮挡的话性能差
• MOSSE：如果对速度要求非常高，MOSSE可能是你的更好选择。 优点：速度比CSRT和KCF都要快。 缺点：精度没有CSRT和KCF高。
• TLD：TLD stands for Tracking, learning and detection. 如果有一个视频序列，对象隐藏在另一个对象后面，这个跟踪器可能是一个不错的选择。 优点：在多帧的情况下，在遮挡的情况下工作最好。此外，该算法能很好的应对尺度变化。
  缺点：大量的假阳性使得其几乎无法使用。
  
  

我的个人建议是：

• 当您需要更高的目标跟踪精度并可承受较慢的fps吞吐量时，请使用CSRT
• 当您需要更快的fps吞吐量，但可以处理稍低的对象跟踪精度时，请使用KCF
• 当您需要纯速度时使用MOSSE

使用Opencv进行对象跟踪

确保电脑已经安装了opencv4.0。 要使用Opencv执行对象跟踪，请引入以下头文件：

#include <iostream>
#include <string>
#include <opencv.hpp>
#include <tracking.hpp>

首先要创建一个跟踪器并实例化，本文仅使用KCF跟踪器作为示例：

cv::Ptr<cv::Tracker> tracker;//跟踪器
tracker = cv::TrackerKCF::create();

接下来，我们初始化视频流，并定义显示窗口：

cv::Mat frame;//保存每帧图像
cv::VideoCapture cap("run.mp4");
//创建窗口
static const string kWinName = "object tracking in OpenCV";
cv::namedWindow(kWinName,cv::WINDOW_AUTOSIZE);
if(!cap.isOpened()){
cout <<"Could not read video file"<<endl;
return -1;
}

为了能够在视频中选取跟踪目标，需要定义一个初始化ROI区域：

cv::Rect2d initBB;//初始目标坐标

从视频流循环帧分析：

while(key=cv::waitKey(1)){
    //读取frame
    cap>>frame;
    //如果播放完则停止
    if(frame.empty()){
        break;
    }
    if(key=='s'){
        if(!tracker->empty()){
            tracker.release();
            tracker = cv::TrackerKCF::create();
        }
        //选择初始目标区域
        initBB=cv::selectROI(kWinName,frame,true,false);
        tracker->init(frame,initBB);
    }
    if(tracker->update(frame,initBB)){
        cv::rectangle(frame,initBB,cv::Scalar(255,0,0),3);
    }
    cv::imshow(kWinName,frame);
}

为了更快的处理数据，我们可以将读取的frame进行cv::resize（）操作调整图片大小，该用法文章不做说明。因为处理的数据越少，我们的对象跟踪管道的运行速度就越快。 在跟踪前我们需要使用快捷键s来对跟踪目标进行选取并初始化，考虑到在视频流中可能进行多次跟踪目标初始化，所以需要加入：

if(!tracker->empty()){
    tracker.release();
    tracker = cv::TrackerKCF::create();
}

以确保跟踪器是新的。 如果选择了某个对象，我们需要跟新该对象的位置，因为每一帧对于跟踪器都会重新计算跟踪目标的位置。使用update（）方法将定位对象的新位置，并返回true和边界box对象。

代码如下：

#include <iostream>
#include <string>
#include <opencv.hpp>
#include <tracking.hpp>
using namespace std;
int main(int argc, char const *argv[])
{
    cv::Ptr<cv::Tracker> tracker;//跟踪器
    cv::Mat frame;//保存每帧图像
    char key;//快捷键
    tracker = cv::TrackerKCF::create();
    cv::Rect2d initBB;//初始目标坐标
    //Read video
    cv::VideoCapture cap("D:\\Code\\C++\\YOLO3-detecction\\run.mp4");
    // cv::VideoCapture cap(0);
    //创建窗口
    static const string kWinName = "object tracking in OpenCV";
    cv::namedWindow(kWinName,cv::WINDOW_AUTOSIZE);
    if(!cap.isOpened()){
        cout <<"Could not read video file"<<endl;
    return -1;
    }
    while(key=cv::waitKey(1)){
        //读取frame
        cap>>frame;
        cv::resize(frame,frame,cv::Size(frame.cols/2,frame.rows/2),0,0,cv::INTER_LINEAR);
        //如果播放完则停止
        if(frame.empty()){
            break;
        }
        if(key=='s'){
            if(!tracker->empty()){
                tracker.release();
                tracker = cv::TrackerKCF::create();
            }
            //选择初始目标区域
            initBB=cv::selectROI(kWinName,frame,true,false);
            tracker->init(frame,initBB);
        }
        if(tracker->update(frame,initBB)){
            cv::rectangle(frame,initBB,cv::Scalar(255,0,0),3);
        }
        cv::imshow(kWinName,frame);
    }
    tracker.release();
    return 0;
}