Hvad er OpenCV-tracking?
Open Source Computer Vision Library er det fulde navn på OpenCV, et bibliotek med programmeringsfunktioner og open source værktøjssæt til cross-platform brug i realtid computer vision billedbehandling og OpenCV tracking. Udviklet nær århundredeskiftet var det oprindeligt beregnet til tredimensionelle (3-D) skærmvægge og strålesporing. Ved hjælp af kreativ kodning kan OpenCV tilbyde en ramme til udviklere af præstationsoptimeret visionbaseret kode i en C- eller C ++ -grænseflade oprindeligt, selvom den er tilgængelig på flere sprog, og er tilpasningsdygtig til fjernbrug på håndholdte enheder. Det er i stand til at optage videofiler i realtid, grundlæggende videokonfigurationer, objektdetektion og bevægelse og farvesporing, blandt andre funktioner. OpenCV er i stand til kamerakalibreringer, da det kan finde og spore kamerakalibreringer og indstille stereokorrespondance på videokameraer.
CalcGlobalOrientation-funktionen til OpenCV-tracking beregner bevægelsesorientering af et specifikt område sammen med en anden CalcMotionGradient-kommando og opretter en bevægelseshistorik og tidsstempel for at spore bevægelsesretning, returnere resultater i grader og registrere efterfølgende skift. Det endelige resultat ville være en sum af den oprindelige orientering og skiftets vinkler. Læsning og skrivning af billedfiler og tvang af dem til et tre-kanals farvebillede, filer kan ændres, direkte og indirekte adgang og konverteres til gråtonebilleder eller farvebyte-billeder.
Den optiske strøm af billeder kan styres ved hjælp af bloktilpasningssporing, og hver pixel beregnes og instrueres i flow. Tildeling og frigivelse af billeder til en-kanals byte-billeder eller tre-kanals flydende billeder for at indstille et område af interesse eller klone et billede er muligt. OpenCV tillader optagelse af rammebilleder fra en videosekvens fra en fil fra flere kameraer samtidig ved at gribe et billede fra hver og derefter hente fra dem alle for at oprette og redigere nye videostrømme.
Facial OpenCV-sporing udføres ved hjælp af dens Camshift-funktioner. Denne funktion implementerer en objektsporingsalgoritme, finder objektcentret, opretter et farvehistogram, beregner ansigtssandsynlighed og skifter derefter placering af ansigtets rektangel i hver videoramme og foretager justeringer ved at beregne størrelse og vinkel. Det koncentrerer de lyseste pixels over det centrerede ansigt og bruger skala til at tilpasse sig mindre ansigter i efterfølgende rammer, hvis billedet trækker sig tilbage.
OpenCV-sporingsevner bruges i mange applikationer. Fra ansigtsgenkendelse til gestusgenkendelse, mobil robotik, interaktionsprogrammer mellem mennesker og computer og stereopsis, der skaber stereobilleddybdeopfattelse ved hjælp af to kameraer, der bruger objekt, farve og bevægelsessporing. OpenCV har også statistiske maskinlæringsbiblioteker, der indeholder læringsmoduler til beslutningstræer, forventnings-maksimeringssporingsalgoritmer, gradientforstærkende træer og kunstige neurale netværk, der fungerer moduler.