自动跟踪算法

我建议 Pearson's product . 有了一个模型(可以是任何模板图像),您可以测量模板与帧的任何部分的相关性。

结果是一个概率因子,它决定了样本与模板的相关性。特别适用于二维情况。 它的优点是不依赖于样本的绝对值,因为结果依赖于与样本均值相关的协方差。

一旦检测到高概率,就可以跟踪原始位置附近的连续帧,并选择最佳相关系数。

然而,模板的大小和旋转是很重要的,但我不能理解这种情况。您可以使用任何形状自定义检测,因为模板图像可以表示任何配置。

这里是一个 single pass algorithm implementation ,我已经正确使用和工作了。

听起来像是工作 Blob detection 对我来说。

Zdenek-Kalal的捕食者(TLD算法)也有利于自动跟踪。

看到这个:

http://www.youtube.com/watch?v=1GhNXHCQGsM

和

http://bit.ly/shahab-vision

这必须是一个重新研究的话题,我怀疑不会有任何100%准确的解决方案。

一些可能有用的链接:

Learning patterns of activity using real-time tracking . 两个麻省理工的人写的论文。

Kalman Filter . 尤其是计算机视觉部分。

Motion Tracker . 一个学生项目,其中也有代码和样本视频,我相信。

当然,这对你来说可能是多余的,但希望它能帮助你找到其他线索。

简单就是好。我会开始做如下的事情:

1) over a small rectangle, that surrounds a spot:
2) apply a weighted average of all the pixel coordinates in the area
3) call the averaged X and Y values the objects position
4) while scanning these pixels, do something to approximate the bounding box size
5) repeat next frame with a slightly enlarged bounding box so you don't clip spot that moves

对于低于某个阈值的像素,平均值的权重应该为零。数字4可以简单地跟踪任何比相同阈值亮的物体的最小/最大位置。

这当然会与重叠或交叉路径的点有关。但出于某种原因,我一直认为你在用一些未知的相机运动追踪恒星,在这种情况下,这应该是好的。

我担心斑点跟踪并不简单,如果你想做得好的话就不简单。

正如genpfault所说,从斑点检测开始。

现在,每个帧上都有点,需要将它们链接起来。如果blob是独立移动的,可以使用某种对应算法将它们链接起来。例如,请参见 http://server.cs.ucf.edu/~vision/papers/01359751.pdf .

现在你可能有碰撞。你可以使用高斯混合体来尝试分离它们,放弃并让轨迹交叉,使用任何其他前后信息来解决碰撞(例如,如果A和B碰撞,A在之前和之后更亮,你可以跟踪A;如果A和B沿着可预测的轨迹移动,你也可以使用它)。

或者你可以和一个一直在做这种事情的实验室合作。