情境：
有一垂直地面向下拍攝的鏡頭，地面上放有一固定位置的圓形（從鏡頭的角度看）物體作為辨識的目標(biāo)，鏡頭可能會在固定的高度水平移動，也就是目標(biāo)大小基本不變，要考慮目標(biāo)可能在畫面中位置的變化。假設(shè)目標(biāo)不總是出現(xiàn)在畫面中，鏡頭移動時目標(biāo)可能會跑到畫面外，目標(biāo)有大約90%以上的面積出現(xiàn)在畫面中時，需要能夠?qū)⑵浔孀R出來。
寫一支程式在以上敘述的情景中辨識出目標(biāo)，假設(shè)地面除了目標(biāo)外，沒有其他圓形物體，但是要考慮到地面雜訊的干擾。
以上是最近處理到的一個情況，實際做起來不難，順便就在這邊分享一些內(nèi)容。這邊以Python的一些語法或結(jié)構(gòu)做討論，如果需要C++的協(xié)助，也歡迎提出。
請注意這邊僅分享部分程式內(nèi)容及概念，不會放上完整程式碼。
首先這個問題最主要就是要找到畫面中的圓，我們可以直接用OpenCV 的HoughCircles 來實現(xiàn)，以下是使用OpenCV 官方文件中的參數(shù)找到畫面中的圓的結(jié)果：
想當(dāng)然結(jié)果慘不忍睹，因為參數(shù)沒有根據(jù)情況調(diào)整。
接著調(diào)了一下參數(shù)後:
這邊第一個問題就出現(xiàn)了，因為演算法的關(guān)係，一些肉眼看起來不是圓的地方也剛好被當(dāng)成圓了，考慮到現(xiàn)實情況，如果直接用演算法處理這些圓的話會沒完沒了。如果再把參數(shù)調(diào)得更嚴(yán)格，則變成有時候目標(biāo)的圓也會偵測不到。
我們再回去分析這個情境：
? 場景中只有一個圓形物體是我們的目標(biāo)
? 場景中除了目標(biāo)外沒有其他圓形物體
? 影像是連續(xù)拍攝的
這邊先看第一點，既然只有一個目標(biāo)，那麼我們可以直接透過操作參數(shù)，來找到畫面中最有可能是圓的物體。
要做到這點，可以直接將HoughCircles 中的minDist，也就是兩個圓心之間的最短距離，設(shè)為“畫面對角距離+2×最大半徑+1”，這樣一來就可以保證畫面中只找到一個圓，而假設(shè)我們的目標(biāo)在畫面中，場景中又沒有其他圓，這邊找到的圓就可以確定有很高的機(jī)率是我們要的了。（其他參數(shù)應(yīng)照實際狀況調(diào)整）
只是要注意，這樣做HoughCircles運算時間可能會大幅上升 (這邊不考慮這個問題)。
我們現(xiàn)在已經(jīng)可以在目標(biāo)出現(xiàn)時，找到我們要的目標(biāo)，現(xiàn)在考慮到目標(biāo)不在畫面中的情況 (另一段影像的截圖)：
可以看到假如畫面中沒有目標(biāo)，仍可能會誤判 (雖然用來測試的3段影片只出現(xiàn)這一幀誤判)。
如果參數(shù)調(diào)整得好，這個情形可以改善很多，但有沒有更好的辦法確保不會出現(xiàn)誤判呢？
這時候就真的要寫一點演算法來處理了，基本的概念是：
假如目標(biāo)有出現(xiàn)在畫面中，連續(xù)的影像應(yīng)該要能夠在接近的位置拍攝到半徑接近的圓形；假如目標(biāo)不在畫面中，即使有在畫面中找到圓形，這個圓形在接下來幾幀的位置和半徑都會劇烈變化，因為這只是畫面中幾個點湊巧連成的圓。
這邊我們就可以透過處理連續(xù)幾幀的圓形偵測結(jié)果，判斷畫面中找到的圓是目標(biāo)，或者只是雜訊。
首先看圓形偵測的部分，我們有一個長度為5的陣列，每個位置的初始值為None，每次都將在新一幀畫面找到的圓的資訊存入陣列尾端，如果找不到圓則存入None，接著將陣列最前端的元素移除，讓陣列始終保持在長度為5。如此一來我們就有了連續(xù)5幀圓形偵測的結(jié)果。
假設(shè)我們?nèi)?張連續(xù)的影像，設(shè)定一個信心值60%，那麼在這5張影像中，要有3張是包含位置和半徑接近的圓，這幾個圓的最後一個圓才會被當(dāng)成現(xiàn)在的目標(biāo)。
執(zhí)行結(jié)果:
當(dāng)然這個演算法還可以更快，只是這邊我們只取5張影像找到的圓做運算，實際上光是HoughCircles 返回結(jié)果的時間就會是這個演算法需要的幾十甚至幾千倍（取決於影像大小），再加上這個方式個人覺得容易理解與維護(hù)，所以就不再修改。
如果需要再進(jìn)一步講解程式內(nèi)容，或是覺得哪邊有問題，都?xì)g迎詢問。
雖然說不會透漏完整程式碼，但好像重點都貼上來了w
達(dá)人
