您好，登录后才能下订单哦！
密码登录
登录注册
点击 登录注册 即表示同意《亿速云用户服务条款》
本篇内容介绍了“如何实现物体检测与跟踪”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
实现步骤
图片预处理：在图像预处理环节，通过编码、阈值及滤波、改善模式、离散模式运算等基本运算方式，在尽可能保留图像所有内容信息的基础上，整理突出图像特征，以达到最佳图像特征提取的状态。
图像特征提取：经过预处理的图像在特征提取环节，提取出价值高的特征，使高维特征空间拥有更好的分离性，更便于进行算法识别。图像特征提取一般细分成几个模块来进行：灰度值、亮度值、形状、纹理等视觉上的基本特征提取；基于像素点颜色的颜色特征提取；物体纹理及结构材质的纹理特征提取；基于轮廓和基于区域的形状特征提取；以及图像分割出的多个目标之间空间位置关系信息的空间特征提取。
特征选择：特征提取后，可根据具体物体识别情况进行特征选择。比如在特征种类繁多、物体种类多的情况下，通过特征选择找到各个特征适配的场合。
建模：特征选择之后，在建模环节建立特征集合，分辨异同点，提取相同点，主要建模对象是特征与特征之间的空间结构关系。
匹配：匹配环节是用模型去识别匹配新图像，识别图像属于哪类物体，条件符合可将物体与图像其他部分分离。
定位：物体识别后进行对目标物体的定位，即将识别到的物体坐标与实际物理空间坐标结合起来，之后可以进行对应的跟踪和模型叠加处理。
华为AR Engine提供的三大能力分别是运动跟踪、环境跟踪、人体和人脸跟踪。
运动跟踪主要通过终端设备摄像头标识特征点，并跟踪这些特征点的移动变化，来不断跟踪终端设备位置和姿态。
环境跟踪可以识别平面，如地面、墙壁等，也可估测平面周围的光照强度。
人体和人脸跟踪让终端设备具备了对人的理解能力。通过定位人的手部位置和对特定手势的识别，可将虚拟物体或内容特效放置在人的手上；结合深度器件，还可精确还原手部的21个骨骼点的运动跟踪，做更为精细化的交互控制和特效叠加；当识别范围扩展到人的全身时，可利用识别到的23个人体关键位置，实时的检测人体的姿态，为体感和运动健康类的应用开发提供能力支撑。
在AndroidManifest.xml中添加权限
打开main中的AndroidManifest.xml文件，在<application 前添加对相机的权限声明，需要注意的是代码中还需要动态进行权限申请，否则会有Permission Denied报错
<uses-permission android:name="android.permission.CAMERA" />
配置MainActivity的显示效果
首先通过 MainActivity extends Activity implements GLSurfaceView.Renderer创建MainActivity，在MainActivity的layout文件中新建一个GLSurfaceView，用于显示摄像头拍摄的实时画面，提供给AREngine进行识别：
<android.opengl.GLSurfaceView android:id="@+id/surfaceview" android:layout_width="fill_parent" android:layout_height="fill_parent" android:layout_gravity="top" />
在MainActivity的onCreate阶段进行SurfaceView的配置：
private GLSurfaceView mSurfaceView; private static final int CONFIG_CHOOSER_RED_SIZE = 8; private static final int CONFIG_CHOOSER_GREEN_SIZE = 8; private static final int CONFIG_CHOOSER_BLUE_SIZE = 8; private static final int CONFIG_CHOOSER_ALPHA_SIZE = 8; private static final int CONFIG_CHOOSER_DEPTH_SIZE = 16; private static final int CONFIG_CHOOSER_STENCIL_SIZE = 0; private static final int OPENGLES_VERSION = 2; mSurfaceView = findViewById(R.id.surfaceview); mSurfaceView.setPreserveEGLContextOnPause(true); mSurfaceView.setEGLContextClientVersion(OPENGLES_VERSION); mSurfaceView.setEGLConfigChooser(CONFIG_CHOOSER_RED_SIZE, // Alpha used for plane blending. CONFIG_CHOOSER_GREEN_SIZE, CONFIG_CHOOSER_BLUE_SIZE, CONFIG_CHOOSER_ALPHA_SIZE, CONFIG_CHOOSER_DEPTH_SIZE, CONFIG_CHOOSER_STENCIL_SIZE); // Alpha used for plane blending. mSurfaceView.setRenderer(this); mSurfaceView.setRenderMode(GLSurfaceView.RENDERMODE_CONTINUOUSLY);
加载一张框图文件，用于标记识别的位置，引导用户进行物体识别：
fitToScanView = findViewById(R.id.image_view_fit_to_scan);
InputStream bitmapstream;
try {
bitmapstream = getAssets().open("fit_to_scan.png");
} catch (IllegalArgumentException | IOException e) {
Log.d(TAG, "open bitmap failed!");
return;
}
Bitmap bitmap = BitmapFactory.decodeStream(bitmapstream);
fitToScanView.setImageBitmap(bitmap);AREngine检测和配置权限申请
物体识别功能的使用需要设备支持AREngine，并且已经安装了AREngine的APK包，所以要对运行的设备进行判断，是否支持该功能
rivate boolean arEngineAbilityCheck() {
boolean isInstallArEngineApk = AREnginesApk.isAREngineApkReady(this);
if (!isInstallArEngineApk && isRemindInstall) {
Toast.makeText(this, "Please agree to install.", Toast.LENGTH_LONG).show();
finish();
}
Log.d(TAG, "Is Install AR Engine Apk: " + isInstallArEngineApk);
if (!isInstallArEngineApk) {
//Code of jumping to AppGallery to download the APK
isRemindInstall = true;
}
return AREnginesApk.isAREngineApkReady(this);
}AREngine检测完成之后，再进行相机权限的动态申请
private static final String[] PERMISSIONS_ARRAYS = new String[]{Manifest.permission.CAMERA};
public static void requestPermission(final Activity activity) {
Log.d(TAG, "requestPermission >>");
for (String permission : PERMISSIONS_ARRAYS) {
if (ContextCompat.checkSelfPermission(activity, permission) != PackageManager.PERMISSION_GRANTED) {
permissionsList.add(permission);
}
}
ActivityCompat.requestPermissions(activity,
permissionsList.toArray(new String[permissionsList.size()]),
REQUEST_CODE_ASK_PERMISSIONS);
Log.d(TAG, "requestPermission <<");
}以上步骤完成之后，说明设备支持AREngine的物体识别功能，并且已经获得了相机的使用权限，接下来就可以创建ARSession，并进行识别数据库的配置
配置物体识别数据库
在进行物体识别之前，要将想识别的对象的图片添加到数据库中，使用的是ARAugmentedImageDatabase，创建一个boolean函数，进行数据库的图片添加，并给后续是否进行识别作判断：
private boolean setupAugmentedImageDatabase(ARWorldTrackingConfig config) {
ARAugmentedImageDatabase augmentedImageDatabase;
Optional<Bitmap> augmentedImageBitmapOptional = loadAugmentedImageBitmap();
Bitmap augmentedImageBitmap = null;
if (augmentedImageBitmapOptional.isPresent()) {
augmentedImageBitmap = loadAugmentedImageBitmap().get();
} else {
return false;
}
if (augmentedImageBitmap == null) {
return false;
}
augmentedImageDatabase = new ARAugmentedImageDatabase(mSession);
augmentedImageDatabase.addImage("image_name", augmentedImageBitmap);
config.setAugmentedImageDatabase(augmentedImageDatabase);
String text = String.format(Locale.ROOT, "has set ImageNum: %d", augmentedImageDatabase.getNumImages());
messageSnackbarHelper.showMessage(this, text);
return true;
}所添加的识别图片源可以放置在Assets文件夹内，通过InputStream打开为Bitmap的格式
private Optional<Bitmap> loadAugmentedImageBitmap() {
try (InputStream is = getAssets().open("cup.jpg")) {
return Optional.of(BitmapFactory.decodeStream(is));
} catch (IOException e) {
Log.e(TAG, "IO exception loading augmented image bitmap.", e);
}
return Optional.empty();
}配置识别后显示效果
在MainActivity的onDrawFrame中配置识别到物体之后的显示效果，在检测到要识别的物体后，用一个方框将识别的物体标识出来。
public void onDrawFrame(GL10 unused) {
Log.d(TAG, "onDrawFrame >>");
GLES20.glClear(GLES20.GL_COLOR_BUFFER_BIT | GLES20.GL_DEPTH_BUFFER_BIT);
if (mSession == null) {
Log.d(TAG, "onDrawFrame mSession is null");
return;
}
try {
ARFrame frame = mSession.update();
ARCamera camera = frame.getCamera();
if (camera.getTrackingState() == ARTrackable.TrackingState.PAUSED) {
return;
}
Log.d(TAG, "ARTrackable.TrackingState" + camera.getTrackingState());
drawAugmentedImages(frame, projmtx, viewmtxs, colorCorrectionRgbas);
} catch (Throwable t) {
Log.e(TAG, "Exception on the OpenGL thread", t);
}
Log.d(TAG, "onDrawFrame <<");
}判断是否识别到物体时，调用ARAugmentedImage的getTrackingStatus方法，如果是TRACKING的话，则为识别到了
switch (augmentedImage.getTrackingState()) {
case TRACKING:
augmentedImageRenderer.draw(viewmtxs, projmtx, augmentedImage, centerAnchor, colorCorrectionRgbas);
break;
default:
break;
}之后通过getCenterPose获取物体的中心位置信息，将边框添加到显示中
anchorPose = augmentedImage.getCenterPose(); float scaleFactor = 1.0f; float[] modelMatrixs = new float[MODEL_MATRIX_SIZE]; float[] tintColors = convertHexToColor(TINT_COLORS_HEXS[augmentedImage.getIndex() % TINT_COLORS_HEXS.length]); worldBoundaryPoses[0].toMatrix(modelMatrixs, 0); imageFrameUpperLeft.updateModelMatrix(modelMatrixs, scaleFactor); imageFrameUpperLeft.draw(viewMatrix, projectionMatrix, colorCorrectionRgba, tintColors); worldBoundaryPoses[1].toMatrix(modelMatrixs, 0); imageFrameUpperRight.updateModelMatrix(modelMatrixs, scaleFactor); imageFrameUpperRight.draw(viewMatrix, projectionMatrix, colorCorrectionRgba, tintColors); worldBoundaryPoses[2].toMatrix(modelMatrixs, 0); imageFrameLowerRight.updateModelMatrix(modelMatrixs, scaleFactor); imageFrameLowerRight.draw(viewMatrix, projectionMatrix, colorCorrectionRgba, tintColors); worldBoundaryPoses[3].toMatrix(modelMatrixs, 0); imageFrameLowerLeft.updateModelMatrix(modelMatrixs, scaleFactor); imageFrameLowerLeft.draw(viewMatrix, projectionMatrix, colorCorrectionRgba, tintColors);
“如何实现物体检测与跟踪”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。