运动分析和目标跟踪

详细描述

函数
void	cv::accumulate (InputArray src, InputOutputArray dst, InputArray mask=noArray())
	将图像添加到累加器图像。
void	cv::accumulateProduct (InputArray src1, InputArray src2, InputOutputArray dst, InputArray mask=noArray())
	将两个输入图像的逐元素乘积添加到累加器图像。
void	cv::accumulateSquare (InputArray src, InputOutputArray dst, InputArray mask=noArray())
	将源图像的平方添加到累加器图像。
void	cv::accumulateWeighted (InputArray src, InputOutputArray dst, double alpha, InputArray mask=noArray())
	更新运行平均值。
void	cv::createHanningWindow (OutputArray dst, Size winSize, int type)
	此函数计算二维汉宁窗系数。
void	cv::divSpectrums (InputArray a, InputArray b, OutputArray c, int flags, bool conjB=false)
	执行第一个傅里叶频谱除以第二个傅里叶频谱的逐元素除法。
Point2d	cv::phaseCorrelate (InputArray src1, InputArray src2, InputArray window=noArray(), double *response=0)
	该函数用于检测两个图像之间发生的平移位移。

函数文档

accumulate()

void cv::accumulate	(	InputArray	src,
		InputOutputArray	dst,
		InputArray	mask = noArray() )

Python
	cv.accumulate(	src, dst[, mask]	) ->	dst

#include <opencv2/imgproc.hpp>

将图像添加到累加器图像。

该函数将src或其一些元素添加到dst

\[\texttt{dst} (x,y) \leftarrow \texttt{dst} (x,y) + \texttt{src} (x,y) \quad \text{if} \quad \texttt{mask} (x,y) \ne 0\]

该函数支持多通道图像。每个通道独立处理。

例如，函数cv::accumulate可以用于收集静止摄像机所看到的场景背景的统计数据，并用于进一步的前景-背景分割。

参数

src	类型为CV_8UC(n)、CV_16UC(n)、CV_32FC(n)或CV_64FC(n)的输入图像，其中n是正整数。
dst	与输入图像具有相同通道数，深度为CV_32F或CV_64F的累加器图像。
mask	可选操作掩码。

另请参阅

accumulateSquare，accumulateProduct，accumulateWeighted

accumulateProduct()

void cv::accumulateProduct	(	InputArray	src1,
		InputArray	src2,
		InputOutputArray	dst,
		InputArray	mask = noArray() )

Python
	cv.accumulateProduct(	src1, src2, dst[, mask]	) ->	dst

#include <opencv2/imgproc.hpp>

将两个输入图像的逐元素乘积添加到累加器图像。

该函数将两个图像或其选定区域的乘积添加到累加器dst

\[\texttt{dst} (x,y) \leftarrow \texttt{dst} (x,y) + \texttt{src1} (x,y) \cdot \texttt{src2} (x,y) \quad \text{if} \quad \texttt{mask} (x,y) \ne 0\]

该函数支持多通道图像。每个通道独立处理。

参数

src1	第一个输入图像，1通道或3通道，8位或32位浮点型。
src2	第二个输入图像，类型和大小与src1相同。
dst	与输入图像具有相同通道数的累加器图像，32位或64位浮点型。
mask	可选操作掩码。

另请参阅

accumulate，accumulateSquare，accumulateWeighted

accumulateSquare()

void cv::accumulateSquare	(	InputArray	src,
		InputOutputArray	dst,
		InputArray	mask = noArray() )

Python
	cv.accumulateSquare(	src, dst[, mask]	) ->	dst

#include <opencv2/imgproc.hpp>

将源图像的平方添加到累加器图像。

该函数将输入图像src或其选定区域（提升到2的幂）添加到累加器dst

\[\texttt{dst} (x,y) \leftarrow \texttt{dst} (x,y) + \texttt{src} (x,y)^2 \quad \text{if} \quad \texttt{mask} (x,y) \ne 0\]

该函数支持多通道图像。每个通道独立处理。

参数

src	输入图像为1通道或3通道，8位或32位浮点型。
dst	与输入图像具有相同通道数的累加器图像，32位或64位浮点型。
mask	可选操作掩码。

另请参阅

accumulateSquare，accumulateProduct，accumulateWeighted

accumulateWeighted()

void cv::accumulateWeighted	(	InputArray	src,
		InputOutputArray	dst,
		double	alpha,
		InputArray	mask = noArray() )

Python
	cv.accumulateWeighted(	src, dst, alpha[, mask]	) ->	dst

#include <opencv2/imgproc.hpp>

更新运行平均值。

该函数计算输入图像src和累加器dst的加权和，以便dst成为帧序列的运行平均值

\[\texttt{dst} (x,y) \leftarrow (1- \texttt{alpha} ) \cdot \texttt{dst} (x,y) + \texttt{alpha} \cdot \texttt{src} (x,y) \quad \text{if} \quad \texttt{mask} (x,y) \ne 0\]

也就是说，alpha调节更新速度（累加器“遗忘”早期图像的速度）。该函数支持多通道图像。每个通道独立处理。

参数

src	输入图像为1通道或3通道，8位或32位浮点型。
dst	与输入图像具有相同通道数的累加器图像，32位或64位浮点型。
alpha	输入图像的权重。
mask	可选操作掩码。

另请参阅

accumulate，accumulateSquare，accumulateProduct

createHanningWindow()

void cv::createHanningWindow	(	OutputArray	dst,
		Size	winSize,
		int	type )

Python
	cv.createHanningWindow(	winSize, type[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

此函数计算二维汉宁窗系数。

更多信息请参见 (http://en.wikipedia.org/wiki/Hann_function) 和 (http://en.wikipedia.org/wiki/Window_function)。

下面是一个示例

// 创建大小为 100x100，类型为 CV_32F 的 Hanning 窗口
Mat hann;
createHanningWindow(hann, Size(100, 100), CV_32F);

参数

dst	目标数组，用于放置 Hanning 系数
winSize	窗口大小规格（宽度和高度都必须 > 1）
type	创建的数组类型

divSpectrums()

void cv::divSpectrums	(	InputArray	a,
		InputArray	b,
		OutputArray	c,
		int	flags,
		bool	conjB = false )

Python
	cv.divSpectrums(	a, b, flags[, c[, conjB]]	) ->	c

#include <opencv2/imgproc.hpp>

执行第一个傅里叶频谱除以第二个傅里叶频谱的逐元素除法。

函数 cv::divSpectrums 执行第一个数组与第二个数组的逐元素除法。这些数组是 CCS 打包的或复数矩阵，是实数或复数傅里叶变换的结果。

参数

a	第一个输入数组。
b	第二个输入数组，大小和类型与 src1 相同。
c	输出数组，大小和类型与 src1 相同。
flags	操作标志；目前，唯一支持的标志是 cv::DFT_ROWS，它指示 src1 和 src2 的每一行都是独立的一维傅里叶谱。如果您不想使用此标志，则只需添加 0 作为值。
conjB	可选标志，在乘法之前对第二个输入数组进行共轭 (true) 或不共轭 (false)。

phaseCorrelate()

Point2d cv::phaseCorrelate	(	InputArray	src1,
		InputArray	src2,
		InputArray	window = noArray(),
		double *	response = 0 )

Python
	cv.phaseCorrelate(	src1, src2[, window]	) ->	retval, response

#include <opencv2/imgproc.hpp>

该函数用于检测两个图像之间发生的平移位移。

此操作利用傅里叶位移定理来检测频域中的平移位移。它可用于快速图像配准以及运动估计。更多信息请参见 http://en.wikipedia.org/wiki/Phase_correlation

计算两个提供的源数组的互功率谱。如有需要，将使用 getOptimalDFTSize 对数组进行填充。

该函数执行以下等式：

• 首先，它对每个图像应用 Hanning 窗口（参见 http://en.wikipedia.org/wiki/Hann_function）以去除可能的边缘效应。此窗口将被缓存，直到数组大小发生变化以加快处理速度。
• 接下来，它计算每个源数组的正向 DFT

  \[\mathbf{G}_a = \mathcal{F}\{src_1\}, \; \mathbf{G}_b = \mathcal{F}\{src_2\}\]

  其中 \(\mathcal{F}\) 是正向 DFT。
• 然后，它计算每个频域数组的互功率谱

  \[R = \frac{ \mathbf{G}_a \mathbf{G}_b^*}{|\mathbf{G}_a \mathbf{G}_b^*|}\]

• 接下来，通过逆 DFT 将互相关转换回时域

  \[r = \mathcal{F}^{-1}\{R\}\]

• 最后，它计算峰值位置，并在峰值周围计算一个 5x5 加权质心以实现亚像素精度。

  \[(\Delta x, \Delta y) = \texttt{weightedCentroid} \{\arg \max_{(x, y)}\{r\}\}\]

• 如果非零，则响应参数计算为 r 中峰值位置周围 5x5 质心内元素的总和。它被归一化为最大值为 1（表示只有一个峰值），并且当存在多个峰值时会更小。

参数

src1	源浮点数组 (CV_32FC1 或 CV_64FC1)
src2	源浮点数组 (CV_32FC1 或 CV_64FC1)
window	具有窗口系数的浮点数组，用于减少边缘效应（可选）。
response	峰值周围 5x5 质心内的信号功率，介于 0 和 1 之间（可选）。

返回值

检测到的两个数组之间的相移（亚像素）。

另请参阅

dft，getOptimalDFTSize，idft，mulSpectrums createHanningWindow