python实现车辆目标跟踪代码

车辆目标跟踪是计算机视觉中的一个热门领域。常见的方法包括基于颜色、基于特征、基于深度学习等。下面给出一个简单的基于特征的车辆目标跟踪的 Python 代码示例：

import cv2

# 读取视频
cap = cv2.VideoCapture('video.mp4')

# 创建特征检测器
feature_params = dict(maxCorners=100, qualityLevel=0.3, minDistance=7, blockSize=7)
lk_params = dict(winSize=(15, 15), maxLevel=2, criteria=(cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 0.03))

# 随机颜色
color = (0, 255, 0)

# 获取第一帧
ret, old_frame = cap.read()
old_gray = cv2.cvtColor(old_frame, cv2.COLOR_BGR2GRAY)
p0 = cv2.goodFeaturesToTrack(old_gray, mask=None, **feature_params)

# 创建蒙版
mask = np.zeros_like(old_frame)

while True:
    # 读取新帧
    ret, frame = cap.read()
    if not ret:
        break

    # 转换成灰度图
    frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 计算光流
    p1, st, err = cv2.calcOpticalFlowPyrLK(old_gray, frame_gray, p0, None, **lk_params)

    # 选择好的跟踪点
    good_new = p1[st == 1]
    good_old = p0[st == 1]

    # 绘制轨迹
    for i, (new, old) in enumerate(zip(good_new, good_old)):
        a, b = new.ravel()
        c, d = old.ravel()
        mask = cv2.line(mask, (a, b), (c, d), color, 2)
        frame = cv2.circle(frame, (a, b), 5, color, -1)

    # 显示结果
    img = cv2.add(frame, mask)
    cv2.imshow('frame', img)

    # 更新变量
    old_gray = frame_gray.copy()
    p0 = good_new.reshape(-1, 1, 2)

    # 按下 q 键退出
    if cv2.waitKey(25) & 0xFF == ord('q'):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

该代码通过光流法来进行目标跟踪。首先读取视频，然后通过 goodFeaturesToTrack 函数获取第一帧中的特征点，接着在后续帧中通过 calcOpticalFlowPyrLK 计算光流，根据光流来选择跟踪点，并绘制轨迹。最后通过 add 函数将跟踪结果和原始帧叠加起来显示。