我想跟踪一个多色对象（4 种颜色）。目前，我正在将图像解析为 HSV，并在相机馈送上应用多个滤色器范围，最后将过滤后的图像相加。然后我根据面积过滤轮廓。
这种方法在大多数情况下都很稳定，但是当外部光线有一点变化时，由于色调值混乱，难以识别对象，因此难以跟踪对象。
此外，由于我根据区域过滤轮廓，因此我经常会出现误报，并且有时无法正确跟踪对象。
您对摆脱这些问题有什么建议吗？我可以使用其他方法来跟踪它，而不是单独过滤颜色，然后将图像相加并搜索轮廓吗？
【问题讨论】：
对于完整的证明轨道，您需要结合多个方法...以下是一些提示...
如果您对对象有先验知识，那么您可以使用模板匹配...但是模板匹配的过程很少...如果您使用的是 GPU，那么您可能会有一些好处
李>从你的文章来看，我认为外部光线的变化程度较小......所以在此基础上，你可以使用 opencv 的 goodfeaturestotrack 功能并使用光流仅跟踪 goodfeaturestotrack 在下一帧中找到的那些 ponits视频
根据面积过滤轮廓是个好主意，但请尝试在过滤条件中添加更多特征...即您可以尝试根据椭圆率、边界框的纵横比等进行过滤...
最后...如果您对物体的运动路径有任何先验知识，您可以使用卡尔曼滤波器...
如果背景几乎没有变化或在某种程度上变化，那么你可以尝试高斯混合模型来模拟背景......而变化的球是你的前景......
李>【讨论】：
您可以根据可用的光源尝试拥有多个或无限多个对象模型，然后将您的对象分类为具有其中一个光源的对象或不具有该对象。注意：这是解决问题的机器学习类型的方法。
使用卡尔曼滤波器、扩展卡尔曼滤波器或粒子滤波器（取决于您的应用程序）进行过滤将是一个好主意，这样您就可以“记忆”最近跟踪的特征并对下一个跟踪的颜色有预期/近期内的特征（即，如果您刚刚看到该对象，那么它很有可能在下一帧中没有消失）。
总的来说，这是一个我在做机器人研究时遇到过几次的难题。唯一可靠的解决方案是学习模型，并根据您的系统实际看到的内容来确认或否认它们。任何数量的机器学习方法都应该有效，但最简单的可能是支持向量机。最强大的可能是高斯过程（如果你想做无限数量的模型）。祝你好运，不要太沮丧；这不是一个简单的问题！
【讨论】：