【问题标题】：vehicle tracking with haar-like features and camshift具有类似 haar 的功能和 camshift 的车辆跟踪
【发布时间】：2014-05-06 13:45:38
【问题描述】：
我正在尝试使用移动摄像头跟踪车辆。车辆由 OpenCV 中的Haar Feature-based Cascade Classifier 检测。我使用预训练数据集here。根据对象跟踪survey (2006)，跟踪对象分为三类：点或邻域、内核或形状，或者跟踪可以基于对象的轮廓或其允许者。我认为我的方法属于第二类。因此，我先尝试了 camshift 算法。
但是，在检测阶段，我得到了很多误报，这使得跟踪效率低下。我的问题是如何消除误报？
我正在考虑为每一帧计算所有边界框（包括误报）的直方图。然后，对下一帧执行相同操作并比较直方图以创建置信度。你认为这是个好主意吗？
我也有想法在检测之前应用处理（例如：分割背景/前景减法，阈值等），但这些更适合固定相机而不是移动相机。我需要继续和 Haar 合作一段时间，至少试一试。任何建议都会很棒。
【问题讨论】：
标签：
opencv
object-detection
haar-classifier
【解决方案1】：
这实际上是一个涉及多种方法的广泛问题，但基本的问题是您需要一些东西来构建可靠的跟踪器：
- 良好的输入（移动摄像机）
- 一个很好的特征/区域描述器（你选择了基于 haar 小波的方法）
- 一个很好的discripters比较指标（不知道你在这里做什么）
一般来说，您需要通过图像配准过程来稳定您的输入
参考你的文字库
根据您注册的输入图像计算这些discripters的度量
减少误报取决于您的方法，但通常您将误报组合在一起并找出它们在算法中的来源最多（许多将来自不同的地方），然后将算法的那部分更改为更好地剔除它们。
您的选择是：
- 如果尚未注册图像（这将消除相对运动的误报）
- 检查算法以确定误报的最大来源并进行相应修改
- 获得更好的训练数据进行匹配（如果您的训练数据与现实世界的数据不匹配，这将永远无法使用）
- 尝试不同的方法（SIFT、SURF、GLO、傅里叶梅林变换等）
我可以根据您提供的信息详细说明。希望对你有帮助。