1. tracker = cv2.multiTracker_create() 获得追踪的初始化结果
2.cv2.TrackerKCF_create() 获得KCF追踪器
3.cv2.resize(frame, (w, h), cv2.INTER_AEAR) # 进行图像大小的重新变化
参数说明：frame表示输入图片，(w, h) 表示变化后的长和宽， cv2.INTER_AEAR表示插值的方法
4.cv2.selectROI(‘Frame’, frame, fromCenter=False，showCrosshair） 在图像上进行选框操作
参数说明：‘Frame’表示图片的名字，frame表示读取的图片，fromCenter表示选框的起点是否在中心位置，showCrosshair表示是否展示选框
KCF是一种鉴别式追踪方法，这类方法一般在追踪过程中训练一个目标检测器，使用目标检测器与预测下一个阶段预测位置是否是目标，然后使用新检测结果去跟新训练集而跟新目标检测其
KCF贡献
1.使用脊回归训练目标检测器，成功利用循环矩阵在傅里叶空间对角化的性质，将矩阵的运算转换为向量的Hadamad积，即元素的点乘，大大降低了运算量，提高了运算速度
1.脊回归，在原有的基础上引入了λ|w^2| 为了防止过拟合的出现，即w的分布更小且更加均匀(0, 0, 0, 1) 和 (0.25, 0.25, 0.25, 0.25), 对w进行求导，导数为0，解得w
2.循环矩阵，即训练图像都是通过目标样本的循环位移得到的， 通过PxQ进行x轴和y轴的平移变化
3.傅氏空间矩阵对角化, 即对上述的循环空间做一个傅里叶变化
4. 将循环矩阵x带入到脊回归进行求解
最后做的一个总结部分
参考链接：https://www.cnblogs.com/YiXiaoZhou/p/5925019.html
代码：
第一步: 进行 argparse参数设置
第二步：使用字典构造已有的追踪目标的方法
第三步：使用cv2.multiTracker_create() 构造出追踪器集合trackers
第四步：使用cv2.capture进行视频的读入
第五步：while True循环，使用cv2.read() 读入图片
第六步：使用cv2.resize进行图片的放缩变换
第七步：trackers.apply(frame)对图片运用追踪算法
第八步：循环boxes对图像进行画图操作
第九步：展示图片，
第十步：并判断按键，如果按s,进行box的添加，如果按ESC键就退出
第十一步：如果按s，使用box = cv2.selectROI()进行区域的选择，并使用trackers.add将追踪器和图片，以及区域进行添加
import argparse
import cv2
import time# 第一步进行参数设置
ap = argparse.ArgumentParser()
ap.add_argument('-v', '--video', type=str, default='videos/soccer_01.mp4',
help='path to input video file')
ap.add_argument('-t', '--tracker', type=str,
default='kcf', help='Opencv object tracker type')args = vars(ap.parse_args())# opencv已经实现的追踪算法
# 第二步：构造cv2已有追踪算法的列表
OPENCV_OBJECT_TRACKERS = {
"csrt": cv2.TrackerCSRT_create,
"kcf": cv2.TrackerKCF_create,
"boosting": cv2.TrackerBoosting_create,
"mil": cv2.TrackerMIL_create,
"tld": cv2.TrackerTLD_create,
"medianflow": cv2.TrackerMedianFlow_create,
"mosse": cv2.TrackerMOSSE_create
}# 第三步：实例化追踪器
# 实例化Opencv's multi-object tracker
trackers = cv2.MultiTracker_create()# 第四步：使用cv2.VideoCapture读取视频
vs = cv2.VideoCapture(args['video'])while True:
# 第五步：读入第一张图片
frame = vs.read()
frame = frame[1]
# 到头了就结束
if frame is None:
break # 第六步：使用cv2.resize对图像进行长宽的放缩操作
h, w = frame.shape[:2]
width = 600
r = width / float(w)
dim = (width, int(r * h))
frame = cv2.resize(frame, dim, cv2.INTER_AREA) # 第七步：使用trackers.apply获得矩形框
(success, boxes) = trackers.update(frame) # 第八步：循环多组矩形框，进行画图操作
for box in boxes:
(x, y, w, h) = [int(v) for v in box]
cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) # 第九步：进行图像展示
cv2.imshow('Frame', frame) # 第十步：判断按键，如果是s的话，进行画出新的box
key = cv2.waitKey(100) & 0xff if key == ord('s'):
# 第十一步：选择一个区域，按s键，并将tracker追踪器，frame和box传入到trackers中
box = cv2.selectROI('Frame', frame, fromCenter=False,
showCrosshair=True)
tracker = OPENCV_OBJECT_TRACKERS[args['tracker']]()
trackers.add(tracker, frame, box) elif key == 27:
breakvs.release()
cv2.destroyAllWindows()
区域选择 追踪效果
