最简单的目标跟踪－模板匹配跟踪（转）

转自：http://blog.csdn.net/huixingshao/article/details/43636717

模板匹配TemplateMatching是在图像中寻找目标的方法之一。原理很简单，就是在一幅图像中寻找和模板图像（patch）最相似的区域。在OpenCV中有对应的函数可以调用：

void matchTemplate( const Mat& image, const Mat& templ, Mat&result, int method );

该函数的功能为，在输入源图像Sourceimage（I）中滑动框，寻找各个位置与模板图像Template image（T）的相似度，并将结果保存在结果矩阵result matrix（R）中。该矩阵的每一个点的亮度表示与模板T的匹配程度。然后可以通过函数minMaxLoc定位矩阵R中的最大值（该函数也可以确定最小值）。那通过什么去评价两个图像相似呢？这就存在一个评价准则，也就是参数method，它可以有以下值（匹配的方法）：

CV_TM_SQDIFF 平方差匹配法，最好的匹配为0，值越大匹配越差；

CV_TM_SQDIFF_NORMED 归一化平方差匹配法；

CV_TM_CCORR 相关匹配法，采用乘法操作，数值越大表明匹配越好；

CV_TM_CCORR_NORMED 归一化相关匹配法；

CV_TM_CCOEFF 相关系数匹配法，最好的匹配为1，-1表示最差的匹配；

CV_TM_CCOEFF_NORMED 归一化相关系数匹配法；

前面两种方法为越小的值表示越匹配，后四种方法值越大越匹配。

其中：

CV_TM_SQDIFF为：Sumof Squared Difference (SSD) 差值的平方和：

CV_TM_CCORR 为：Cross Correlation互相关：

SSD可以看成是欧式距离的平方。我们把SSD展开，可以得到：

可以看到，上式的第一项（模板图像T的能量）是一个常数，第三项（图像I局部的能量）也可以近似一个常数，那么可以看到，剩下的第二项就是和cross correlation一样的，也就是互相关项。而SSD是数值越大，相似度越小，cross correlation是数值越大，相似度越大。

参考：

Konstantinos G. Derpanis 等《RelationshipBetween the Sum of Squared Diﬀerence (SSD) and Cross Correlation for TemplateMatching》

实现：

simpleTracker.cpp
// Object tracking algorithm using matchTemplate

#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;

// Global variables
Rect box;
bool drawing_box = false;
bool gotBB = false;

// bounding box mouse callback
void mouseHandler(int event, int x, int y, int flags, void *param){
  switch( event ){
  case CV_EVENT_MOUSEMOVE:
    if (drawing_box){
        box.width = x-box.x;
        box.height = y-box.y;
    }
    break;
  case CV_EVENT_LBUTTONDOWN:
    drawing_box = true;
    box = Rect( x, y, 0, 0 );
    break;
  case CV_EVENT_LBUTTONUP:
    drawing_box = false;
    if( box.width < 0 ){
        box.x += box.width;
        box.width *= -1;
    }
    if( box.height < 0 ){
        box.y += box.height;
        box.height *= -1;
    }
    gotBB = true;
    break;
  }
}


// tracker: get search patches around the last tracking box,
// and find the most similar one
void tracking(Mat frame, Mat &model, Rect &trackBox)
{
	Mat gray;
	cvtColor(frame, gray, CV_RGB2GRAY);

	Rect searchWindow;
	searchWindow.width = trackBox.width * 3;
	searchWindow.height = trackBox.height * 3;
	searchWindow.x = trackBox.x + trackBox.width * 0.5 - searchWindow.width * 0.5;
	searchWindow.y = trackBox.y + trackBox.height * 0.5 - searchWindow.height * 0.5;
	searchWindow &= Rect(0, 0, frame.cols, frame.rows);

	Mat similarity;
	matchTemplate(gray(searchWindow), model, similarity, CV_TM_CCOEFF_NORMED); 

	double mag_r;
	Point point;
	minMaxLoc(similarity, 0, &mag_r, 0, &point);
	trackBox.x = point.x + searchWindow.x;
	trackBox.y = point.y + searchWindow.y;
	model = gray(trackBox);
}

int main(int argc, char * argv[])
{
	VideoCapture capture;
	capture.open("david.mpg");
	bool fromfile = true;
	//Init camera
	if (!capture.isOpened())
	{
		cout << "capture device failed to open!" << endl;
		return -1;
	}
	//Register mouse callback to draw the bounding box
	cvNamedWindow("Tracker", CV_WINDOW_AUTOSIZE);
	cvSetMouseCallback("Tracker", mouseHandler, NULL ); 

	Mat frame, model;
	capture >> frame;
	while(!gotBB)
	{
		if (!fromfile)
			capture >> frame;

		imshow("Tracker", frame);
		if (cvWaitKey(20) == 'q')
			return 1;
	}
	//Remove callback
	cvSetMouseCallback("Tracker", NULL, NULL ); 
	
	Mat gray;
	cvtColor(frame, gray, CV_RGB2GRAY); 
	model = gray(box);

	int frameCount = 0;

	while (1)
	{
		capture >> frame;
		if (frame.empty())
			return -1;
		double t = (double)cvGetTickCount();
		frameCount++;

		// tracking
		tracking(frame, model, box);	

		// show
		stringstream buf;
		buf << frameCount;
		string num = buf.str();
		putText(frame, num, Point(20, 20), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 0, 255), 3);
		rectangle(frame, box, Scalar(0, 0, 255), 3);
		imshow("Tracker", frame);


		t = (double)cvGetTickCount() - t;
		cout << "cost time: " << t / ((double)cvGetTickFrequency()*1000.) << endl;

		if ( cvWaitKey(1) == 27 )
			break;
	}

	return 0;
}