main.cpp

/// 概述：利用光流法进行运动目标检测
//利用光流场法实现目标检测的基本思想是：
// 首先计算图像中每一个像素点的运动向量，即建立整幅图像的光流场。
// 如果场景中没有运动目标，则图像中所有像素点的运动向量应该是连续变化的；
// 如果有运动目标，由于目标和背景之间存在相对运动，目标所在位置处的运动向量必然和邻域(背景)的运动向量不同，从而检测出运动目标。

#include<opencv2/video/video.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
#include<opencv2/core/core.hpp>
#include<iostream>
#include<cstdio>

using namespace std;
using namespace cv;

//--------声明全局函数------------
void tracking(Mat &frame, Mat &output);

bool addNewPoints();

bool acceptTrackedPoint(int i);

//--------声明全局变量------------
string window_name = "optical flow tracking";
Mat gray;        //当前图片
Mat gray_prev;    //预测图片

vector<Point2f> points[2];        //point0为特征点的原来位置，point1为特征点的新位置
vector<Point2f> initial;        //初始化跟踪点的位置
vector<Point2f> features;        //检测的特征
int maxCount = 500;                //检测的最大特征数
double qLevel = 0.01;            //特征检测的等级
double minDest = 10.0;            //两特征点之间最小的距离
vector<uchar> status;            //跟踪特征的状态，特征的流发现为1，否则为0
vector<float> err;

int main() {
    Mat frame;
    Mat result;

//    VideoCapture capture(0);
    VideoCapture capture("highway.mov");

    if (capture.isOpened()) {
        while (true) {
            capture >> frame;
            if (!frame.empty())             //不为空
            {
                tracking(frame, result);     //跟踪
                waitKey();

            } else {
                printf("No Capture frame , Break");
                break;
            }

            int c = waitKey(50);
            if (27 == (char) c) {
                break;
            }


        }
    }

    return 0;
}
//--------tracking函数  跟踪运动目标------------------
//	frame：输入的视频帧         output:有跟踪结果的视频帧

void tracking(Mat &frame, Mat &output) {
    cvtColor(frame, gray, CV_BGR2GRAY);
    frame.copyTo(output);

    //添加特征点
    if (addNewPoints()) {
        goodFeaturesToTrack(gray, features, maxCount, qLevel, minDest);
        points[0].insert(points[0].end(), features.begin(), features.end());
        initial.insert(initial.end(), features.begin(), features.end());
    }
    if (gray_prev.empty()) {
        gray.copyTo(gray_prev);
    }
    //l-k流光法运动估计
    calcOpticalFlowPyrLK(gray_prev, gray, points[0], points[1], status, err);
    //去掉一些不好的特征点
    int k = 0;
    for (size_t i = 0; i < points[1].size(); i++) {
        if (acceptTrackedPoint(i)) {
            initial[k] = initial[i];
            points[1][k++] = points[1][i];

        }

    }
    points[1].resize(k);
    initial.resize(k);
    //显示特征点和运动轨迹
    for (size_t i = 0; i < points[1].size(); i++) {
        line(output, initial[i], points[1][i], Scalar(0, 0, 255));
        circle(output, points[1][i], 3, Scalar(0, 255, 0), -1);

    }

    //把当前跟踪结果作为下一次的参考
    swap(points[1], points[0]);
    swap(gray_prev, gray);

    imshow(window_name, output);
}


//--------addNewPoints函数 ：检测新店是否应该被添加----------------
//	return是否被添加的标志
bool addNewPoints() {
    return points[0].size() <= 10;       //points.size()求行数     points.size()求列数

}

//-------acceptTrackedPoint函数：决定哪些跟踪点被接收-------------
bool acceptTrackedPoint(int i) {
    return status[i] && ((abs(points[0][i].x - points[1][i].x) + abs(points[0][i].y - points[1][i].y)) > 2);
}