前言

pybind11功能强大，将C++ 程序包装为python接口，对于不太熟悉C++的同学只需要调用python接口即可，方便实用。之前的一系列pybind11文章大多数是基础的用法，本人学习pybind11的最初动机是想将一个目标跟踪程序(C++代码)封装为python接口，这样每次运行算法时候就不用打开Visaul Studio这样大型IDE(加载慢，电脑容易卡)。C++程序封装为python接口有好几种方法：boost.python, ctype(调用C++ 动态链接库), SWIG, pybind11。 我只简单用过swig, ctype。 SWIG也挺不错的，不仅可以生成python接口，还可以生成Java等其他语言接口，文档详细。

目标跟踪算法

About KCF

KCF(Kernelized Correlation Filter)目标跟踪算法是基于机器学习的，速度快，效果也比较好(抗短时遮挡)。原版的KCF代码是采用opencv, C++实现的， opencv3.2.0(contrib)之后的版本已经将KCF集成到tracking模块,但是测试发现效果不如原版的C++代码。

下面将C++ KCF 采用pybind11包装为python接口。

开发测试环境

windows10, 64bit

Anaconda3, with python3.7

opencv3.4.0, with opencv_contrib

Visual Studio 2017

pycharm

KCF-Python

工程概述

KCF C++程序是采用类进行封装的，所有功能在：KCFTracker类中。 因此，只需要将KCFTracker 类封装为python 接口就大功告成。

Visaul Stduio工程

image.png

python测试工程

image.png

python测试代码

import cv2

import numpy as np

import matplotlib.pyplot as plt

import demo12.kcf_demo as kcf

import time

cv2.useOptimized()

cv2.setUseOptimized(True)

cv2.setNumThreads(4)

capture = cv2.VideoCapture()

assert capture.open('D:\\ti_project\\TI_DSP_LAB\\Video-tools-exe\\video-01\\V90116-132715.mp4')

capture.set(cv2.CAP_PROP_FRAME_WIDTH, 640)

capture.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)

frame = np.zeros(shape=[int(capture.get(cv2.CAP_PROP_FRAME_HEIGHT)),

int(capture.get(cv2.CAP_PROP_FRAME_WIDTH)),

3], dtype=np.uint8)

for i in range(1):

capture.read(frame)

rect = cv2.selectROI('Choose object', frame, False, False)

tracker = kcf.KCFTracker(True, True, True, True)

r = [rect[0] + rect[2], rect[1] + rect[3]]

tracker.trackerInit([rect[0], rect[1], rect[0] + rect[2], rect[1] + rect[3]], frame)

count = 0

while True:

ret, frame = capture.read()

if not ret:

print('finish!')

break

t_start = time.time()

rect = tracker.trackerUpdate(frame)

t_stop = time.time()

fps = int(1.0/(t_stop - t_start))

print(rect)

cv2.rectangle(frame, (rect[0], rect[1]), (rect[2], rect[3]), (0, 255, 255), 2)

cv2.putText(frame, '#' + str(count + 1), (64, 64), 1, 1, (255, 0, 0))

cv2.putText(frame, '{}fps'.format(fps), (64, 64+30), 1, 1, (255, 0, 0))

count += 1

cv2.imshow('kcf', frame)

if cv2.waitKey(33) == 'q':

break

demo演示

选取目标

image.png

跟踪过程

image.png

image.png

完整工程实现

在上文中，实现了以下步骤

步骤

首先调试好目标跟踪算法，确保算法正常运行

包含pybind11,为目标跟踪算法编写python接口

采用Visual Studio生成.pyd扩展， 验证python接口的正确性

在python中导入.pyd,调用python接口，验证算法

但是这种直接采用Visual Studio生成.pyd的方式存在一些局限，不能很好的在其他计算机、系统、硬件平台调用，为此，直接发布源码，在相应的平台进行编译生成pyd.

工程

在python工程中，创建一个package, 一般python大多数包的名字都是pyxxxx， 因此这里取名pykcf， 在pykcf包中再新建一个package, 取名tracker

image.png

将之前Visual Studio工程中所有C++代码复制进来，并且创建一个setup.py文件

image.png

编写setup.py文件， setup.py用于设置需要生成的python扩展的配置信息.

Extension python扩展，需要设置C++源码，C++头文件，C++链接库

setup 编译安装python扩展

因此本工程代码中用到了以下第三方库：

opencv

pybind11

numpy

因此，需要包含这些库的头文件，链接库

setup.py

from setuptools import Extension

from setuptools import setup

__version__ = '0.0.1'

ext_module = Extension(

name='kcf_demo',

sources=

[

r'main.cpp',

r'mat_warper.cpp',

r'ndarray_converter.cpp',

r'./kcf/fhog.cpp',

r'./kcf/kcftracker.cpp'

],

include_dirs=

[

r'D:/Anaconda3_2/include',

r'D:/Anaconda3_2/Lib/site-packages/numpy/core/include',

r'D:/opencv3.4.0+contrib/include',

r'D:/pybind11-master/include'

],

library_dirs=

[

r'D:/Anaconda3_2/Lib/site-packages/numpy/core/lib',

r'D:/opencv3.4.0+contrib/x64/vc15/lib'

],

libraries=

[

'opencv_aruco340',

'opencv_bgsegm340',

'opencv_bioinspired340',

'opencv_calib3d340',

'opencv_ccalib340',

'opencv_core340',

'opencv_datasets340',

'opencv_dnn340',

'opencv_dpm340',

'opencv_face340',

'opencv_features2d340',

'opencv_flann340',

'opencv_fuzzy340',

'opencv_hdf340',

'opencv_highgui340',

'opencv_imgcodecs340',

'opencv_imgproc340',

'opencv_img_hash340',

'opencv_line_descriptor340',

'opencv_ml340',

'opencv_objdetect340',

'opencv_optflow340',

'opencv_phase_unwrapping340',

'opencv_photo340',

'opencv_plot340',

'opencv_reg340',

'opencv_rgbd340',

'opencv_saliency340',

'opencv_shape340',

'opencv_stereo340',

'opencv_stitching340',

'opencv_structured_light340',

'opencv_superres340',

'opencv_surface_matching340',

'opencv_text340',

'opencv_tracking340',

'opencv_video340',

'opencv_videoio340',

'opencv_videostab340',

'opencv_xfeatures2d340',

'opencv_ximgproc340',

'opencv_xobjdetect340',

'opencv_xphoto340',

'npymath'

],

language='c++'

)

setup(

name='kcf_demo',

version=__version__,

author_email='xxxx@qq.com',

description='A simaple demo',

ext_modules=[ext_module],

install_requires=['numpy']

)

开始编译生成python扩展，激动！！！， 在pycharm中进入终端，并且进入到setup.py所在目录。

cd ./pykcf/tracker

python setup.py build_ext --inplace

image.png

image.png

image.png

image.png

python扩展生成成功！！！

演示效果

在工程中新建一个demo.py脚本，编写测试代码

image.png

run

首先选择一个跟踪目标，使用鼠标框选，然后Enter，开始跟踪。

image.png

tracking.gif