当前位置： 首页 > news >正文

[C++]基于C++opencv结合vibe和sort tracker实现高空抛物实时检测

news 2025/7/18 6:24:43

【vibe算法介绍】

ViBe算法是一种高效的像素级视频背景建模和前景检测算法。以下是对该算法的详细介绍：

一、算法原理

ViBe算法的核心思想是通过为每个像素点存储一个样本集，利用该样本集与当前像素值进行比较，从而判断该像素是否属于背景。算法的主要步骤包括背景模型的初始化、前景检测过程和背景模型的更新方法。

  1. 背景模型的初始化：
    • 在初始时刻（如第一帧图像），为每个像素点随机选择其邻域像素的像素值作为背景模型的样本值。这样可以确保背景模型在开始时即具有一定的鲁棒性。
  2. 前景检测过程：
    • 对于后续的图像序列，算法会将每个新的像素值与背景模型中的样本进行比较。
    • 如果新像素值与背景模型中的样本值差异小于预设的阈值，则该像素被判定为背景；否则，被判定为前景。
  3. 背景模型的更新方法：
    • ViBe算法的更新策略具有时间和空间上的随机性。
    • 在时间随机性方面，算法会随机选择一个背景模型进行更新，以模拟像素值随时间变化的不确定性。
    • 在空间随机性方面，算法会在被判定为背景的像素点的邻域中随机选择一个像素值来更新背景模型，以模拟像素值在空间上的变化。

二、算法优点

  1. 内存占用少：由于每个像素只需存储一个样本集，因此内存占用较少。
  2. 性能优越：算法的性能优于混合高斯、参数化方法等传统方法，尤其在处理动态背景时表现出色。
  3. 无参数法：算法无需手动调整参数，可以直接应用于各种场景。
  4. 抗噪能力强：由于采用随机更新策略，算法对噪声具有较强的鲁棒性。

三、算法挑战与限制

  1. Ghost区域：在某些情况下，算法可能会出现误检，将前景物体误判为背景，形成所谓的“Ghost”区域。
  2. 环境变化适应性：算法需要能够适应环境的变化，如光照变化、相机抖动等。
  3. 密集物体检测：对于图像中密集出现的物体（如树叶、树干等），算法的检测效果可能受到一定影响。

综上所述，ViBe算法是一种高效、鲁棒的像素级视频背景建模和前景检测算法，具有广泛的应用前景。然而，在实际应用中仍需注意其挑战与限制，并进行相应的优化和改进。

【sort track算法介绍】

SORT（Simple Online and Realtime Tracking）算法是一种简单、高效且实用的多目标跟踪算法。以下是对SORT算法的介绍，内容将按照清晰的格式分点表示，并尽可能参考文章中的相关数字和信息：

一、算法概述

  • 全称：Simple Online and Realtime Tracking（SORT）
  • 特点：简单、高效、实时性强
  • 应用领域：适用于各种需要实时多目标跟踪的场景，如监控视频分析、自动驾驶汽车感知、无人机追踪等

二、算法原理

1. 核心组件
  • 卡尔曼滤波：用于预测目标在下一帧中的位置。卡尔曼滤波基于前一帧的目标位置和速度来预测当前帧的目标位置，并基于测量值（即检测到的目标位置）来更新预测值，以达到更精确的估计。
  • 匈牙利算法：用于解决数据关联问题，即确定前后两帧中真正匹配的目标。匈牙利算法通过计算前后两帧目标之间的相似度矩阵，并求解该矩阵来找到最佳匹配。
2. 工作流程
  1. 目标检测：使用目标检测器（如Faster R-CNN）在每一帧中检测目标，得到目标框（Detections）。
  2. 预测：使用卡尔曼滤波器预测当前帧的轨迹（Tracks）。
  3. 匹配：将目标框（Detections）和轨迹（Tracks）进行IOU（Intersection over Union）匹配。匹配结果分为三种：
    • Matched Track：成功匹配的目标和轨迹。
    • Unmatched Tracks：未能成功匹配的目标轨迹，被认为是失配。如果失配持续了T次（T是一个预设的阈值），该目标ID将从待跟踪目标中删除。
    • Unmatched Detections：未能成功匹配到轨迹的目标框，需要为其分配一个新的轨迹。
  4. 更新：卡尔曼滤波根据匹配的轨迹状态预测下一帧的目标框状态，并更新所有轨迹的状态。

三、算法特点

  • 实时性强：由于算法复杂度低，SORT算法可以实现高速跟踪，据参考文章所述，追踪器可以实现260Hz的速度。
  • 简单易用：代码结构清晰，依赖库少，便于理解和集成到其他项目中。
  • 兼容性强：可在Windows和Linux环境下运行，适用范围广。
  • 灵活性：提供参数调整，适应不同场景的需求。

四、优缺点

  • 优点：
    • 速度快：处理速度快，适用于实时应用。
    • 准确性高：在没有遮挡的情况下，准确性较高。
  • 缺点：
    • 对遮挡处理不足：当目标被遮挡时，ID切换次数较高，可能导致跟踪不准确。
    • 未考虑目标外观特征：仅使用检测框的位置和大小进行目标匹配，未考虑目标的外观特征。

五、总结

SORT算法以其简单、高效和实时性强的特点，在多目标跟踪领域具有广泛的应用前景。然而，在实际应用中仍需注意其处理遮挡和目标外观特征方面的限制，并根据具体需求进行相应的优化和改进。

【测试环境】

vs2019

opencv==4.8.0

x64 release(Debug暂时没测试通过)

【部分实现源码】

#define _CRT_SECURE_NO_WARNINGS
#include "tracker.hpp"
#include "trajectory.hpp"
#include "utils.hpp"
#include "vibe_sequential.hpp"
#include <array>
#include <chrono>
#include <cmath>
#include <cstddef>
#include <cstdio>
#include <cstdlib>
#include <memory>
#include <opencv2/core.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include <stdexcept>
#include <string>
#include <string_view>
#include <thread>
using namespace std;
using namespace cv;
int main(int argc, char* argv[]) {int maxNumBlobs = 64;VideoCapture capture("test.mp4");if (!capture.isOpened())return -1;double fps = capture.get(cv::CAP_PROP_FPS);          // 帧率int width = capture.get(cv::CAP_PROP_FRAME_WIDTH);   // 视频帧宽度int height = capture.get(cv::CAP_PROP_FRAME_HEIGHT); // 视频帧高度// Create vibe algorithm instanceauto vibe = std::make_unique<ViBeSequential>(height, width, 14, 20, 2, 5);// Create tracker instanceauto tracker = std::make_unique<SortTracker>(3, 3);auto detections = std::vector<cv::Rect2f>(8);cv::Mat fgMask(height, width, CV_8U);cv::Mat updateMask(height, width, CV_8U);cv::Mat fgBlobLabels(height, width, CV_32S);cv::Mat fgBlobCentroids(64, 2, CV_64F);cv::Mat fgBlobStats(64, 5, CV_32S);// Prepare structure elements for morphological filteringcv::Mat se3x3 = cv::getStructuringElement(cv::MORPH_ELLIPSE, { 3, 3 });cv::Mat se5x5 = cv::getStructuringElement(cv::MORPH_ELLIPSE, { 5, 5 });cv::Mat se7x7 = cv::getStructuringElement(cv::MORPH_ELLIPSE, { 7, 7 });// Prepare runtime measurementauto tm = cv::TickMeter();while (true){Mat frame;capture >> frame; // 从相机读取新一帧if (frame.empty()){break;}/* Segmentation and update. */tm.reset();tm.start();// Run background segmentation with ViBevibe->segment(frame, fgMask);// Process update maskcv::morphologyEx(fgMask, updateMask, cv::MORPH_OPEN, se3x3);// Update ViBevibe->update(frame, updateMask);// Post-processing on foreground maskcv::morphologyEx(fgMask, fgMask, cv::MORPH_OPEN, se3x3);cv::morphologyEx(fgMask, fgMask, cv::MORPH_CLOSE, se5x5);tm.stop();double vibeProcessTimeMs = tm.getTimeMilli();// Find all connected componentsint numFgBlobs = cv::connectedComponentsWithStats(fgMask, fgBlobLabels, fgBlobStats, fgBlobCentroids);if (numFgBlobs > maxNumBlobs) {// Too many blobs, consider this frame invalidtracker->clear();continue;}detections.clear();for (int i = 1; i < numFgBlobs; i++) {auto* blobStat = fgBlobStats.ptr<int>(i);int x = blobStat[cv::CC_STAT_LEFT] - 6;int y = blobStat[cv::CC_STAT_TOP] - 6;int w = blobStat[cv::CC_STAT_WIDTH] + 12;int h = blobStat[cv::CC_STAT_HEIGHT] + 12;// int a = blobStat[cv::CC_STAT_AREA];// Add new bboxdetections.emplace_back(x, y, w, h);// auto color = colors.row(i % colors.rows);cv::rectangle(frame, { x, y, w, h }, { 255, 50, 0 }, 1);}tm.reset();tm.start();// Update tracker with newly detected bboxestracker->update(detections, frame);tm.stop();double trackingTimeMs = tm.getTimeMilli();std::array<char, 64> str;std::sprintf(str.data(),"[PROCESS TIME] ViBe: %.2f ms, Tracking: %.2f",vibeProcessTimeMs,trackingTimeMs);// Draw process time measurement result on current framecv::putText(frame,str.data(),{ 12, 30 },cv::FONT_HERSHEY_SIMPLEX,0.5,{ 0, 0, 255 },1,cv::LINE_AA);cv::imshow("frame", frame);cv::imshow("fgmask", fgMask);cv::imshow("update mask", updateMask);if (char(waitKey(2)) == 'q'){break;}}capture.release();cv::destroyAllWindows();}

【效果展示】

【视频演示】

基于C++opencv结合vibe和sort tracker实现高空抛物实时检测_哔哩哔哩_bilibili【测试环境】vs2019opencv==4.8.0x64 release(Debug暂时没测试通过)更多信息参考博文：blog.csdn.net/FL1623863129/article/details/139493227, 视频播放量 6、弹幕量 0、点赞数 0、投硬币枚数 0、收藏人数 0、转发人数 0, 视频作者 未来自主研究中心, 作者简介 未来自主研究中心，相关视频：基于onnx模型加密与解密深度学习模型保护方法介绍，使用纯opencv部署yolov8目标检测模型onnx，C++版本yolov8的onnx模型加密方法保护自己模型和版权，将yolov8封装成一个类几行代码完成语义分割任务，使用C#的winform部署yolov8的onnx实例分割模型，使用C#调用libotrch-yolov5模型实现全网最快winform目标检测，Python自动答题脚本刷题，100%正确率，附源码！可刷课！期末再也不用担心挂科了！Python教程Python入门编程入门爬虫代码Python基础安装，C#调用yolov7进行目标检测winform开发，基于yolov8官方目标追踪botsort和bytetrack源码开发视频演示，使用C#部署openvino-yolov5s模型icon-default.png?t=N7T8https://www.bilibili.com/video/BV1zD421g7zR/?vd_source=989ae2b903ea1b5acebbe2c4c4a635ee

【源码下载地址】https://download.csdn.net/download/FL1623863129/89403409

http://www.lryc.cn/news/368019.html

相关文章：

  • Apache Doris 基础 -- 数据表设计（模式更改）
  • 【机器学习】【遗传算法】【项目实战】药品分拣的优化策略【附Python源码】
  • 电子电气架构 ---车载安全防火墙
  • 解决selenium加载网页过慢影响程序运行时间的问题
  • 何为云防护？有何作用
  • 2024050402-重学 Java 设计模式《实战责任链模式》
  • centos7安装字体
  • Llama模型家族之使用 ReFT技术对 Llama-3 进行微调（三）为 ReFT 微调准备模型及数据集
  • 学习Canvas过程中2D的方法、注释及感悟一（通俗易懂）
  • 《TCP/IP网络编程》（第十三章）多种I/O函数（2）
  • Java集合汇总
  • 度小满金融大模型的应用创新
  • Android WebView上传文件/自定义弹窗技术，附件的解决方案
  • selenium 输入框、按钮，输入点击，获取元素属性等简单例子
  • 结构体构造函数
  • 基于单片机的电子万年历设计
  • 大厂真实面试题(一)
  • Docker搭建ELKF日志分析系统
  • 把系统引导做到U盘，实现插上U盘才能开机
  • 【计算机网络基础知识】
  • 个股场外期权个人如何参与买卖？
  • 程序猿大战Python——pycharm软件的使用
  • Unity Standard shader 修改（增加本地坐标裁剪）
  • 【数据结构】排序——插入排序，选择排序
  • 2024.6.9刷题记录
  • Matlab|遗传粒子群-混沌粒子群-基本粒子群
  • 31｜HTTP3：甩掉TCP、TLS 的包袱，构建高效网络
  • 2 程序的灵魂—算法-2.2 简单算法举例-【例 2.3】
  • Python中的上下文管理器（contextlib）模块
  • C语言：定义和使用结构体变量