前面學習過Meanshift演算法，在觀察這個結果標記時，會發現有這樣一個問題，如下圖：

汽車比較遠時，用一個很小的視窗就可以把它框住，這是符合近大遠小的投影原理，當比較近的時候如下：

相同大小的視窗已經不能包圍它了，那麼這樣跟蹤目標物件就成為了一個問題，怎麼樣來更改它呢？那麼就是Camshift (Continuously Adaptive Meanshift)演算法引入的原因了。同時還會有一個問題，怎麼樣判斷物體旋轉的方向，這個演算法也會解決這樣的問題。這個演算法發表在1998年的論文《Computer Vision Face Tracking for Use in a Perceptual User Interface》裡。

這個演算法，首先應用meanshift找到最大密度，然後再更新視窗的大小，接著計算最適合外包橢圓；如果不合適又進入一輪迭代過程。直滿足meanshift的條件，並且視窗大小也合適為止。

Camshift函式返回兩個值，第一個值ret是一個旋轉的視窗，第二個值是視窗搜尋位置給下一次搜尋使用的。例子如下：

#python 3.7.4,opencv4.1
#蔡軍生 https://blog.csdn.net/caimouse/article/details/51749579
#
import numpy as np
import cv2
from matplotlib import pyplot as plt
 
capture = cv2.VideoCapture(1)
if not capture.isOpened:
  print('Unable to open: ')
  exit(0)
  
#獲取第一幀圖片
ret,frame = capture.read()
 
#設定目標視窗
#讀取檔案
find = cv2.imread('luohu1.png')
h,w = find.shape[:2]
roi = find[10: 120,10: 120]
x = 10
y = 10
width = 120 - x
height = 120 - y
track_window = (x,y,w,h)
print(track_window)
#跟蹤目標
hsv_roi = cv2.cvtColor(roi,cv2.COLOR_BGR2HSV)
mask = cv2.inRange(hsv_roi,np.array((0.,60.,32.)),np.array((180.,255.,255.)))
roi_hist = cv2.calcHist([hsv_roi],[0],mask,[180],[0,180]) #計算直方圖
cv2.normalize(roi_hist,roi_hist,255,cv2.NORM_MINMAX)
 
#設定迭代條件,每10移動一點
term_crit = ( cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT,10,1 )
 
while(1):
  ret,frame = capture.read()
 
  if ret == True:
    hsv = cv2.cvtColor(frame,cv2.COLOR_BGR2HSV)
    dst = cv2.calcBackProject([hsv],180],1)#反向投影
 
    #使用 meanshift獲得新位置
    ret,track_window = cv2.CamShift(dst,track_window,term_crit)
 
    #顯示標記
    pts = cv2.boxPoints(ret)
    pts = np.int0(pts)
    img2 = cv2.polylines(frame,[pts],True,(255,0),2)
    cv2.imshow('img2',img2)
 
    cv2.imshow("dst",dst) 
    cv2.imshow("roi",roi)
    keyboard = cv2.waitKey(1)
    if keyboard == ord('q') or keyboard == ord('Q'):
      break
  else:
    break
 
  
capture.release()
cv2.destroyAllWindows()

結果輸出如下：

比較遠的照片

比較近的照片

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。