Volger van beweging¶
Beschrijving
Het volgen van beweging (Motion tracking) is het proces van het lokaliseren van een bewegend object door de tijd. Kdenlive gebruikt OpenCV (Open Source Computer Vision Library)[1] voor de detectie van beweging. De resultaten van dit effect kan door andere effecten (bijvoorbeeld het Transform effect) worden gebruikt door de keyframe data te kopiëren die door de Motion Tracker als positie keyframes worden gegenereerd.
Parameters
Parameter |
Waarde |
Beschrijving |
---|---|---|
Volgalgoritme |
Selectie |
Selecteert het algoritme dat gebruikt wordt voor de motion tracking |
Ruimte tussen keyframes |
Geheel getal |
Bepaalt hoeveel keyframes kunnen worden overgeslagen bij het analyseren |
Framevorm |
Selectie |
Bepaalt de vorm van het frame |
Breedte van vorm |
Geheel getal |
Bepaalt de dikte van de framerand |
Kleur van vorm |
Kiezer |
Bepaalt de kleur van de framerand. Bepaalt ook de kleur voor Type vervagen Ondoorzichtig vlak. |
Vervagen |
Geheel getal |
Stelt in hoeveel vervaagt wordt bij het Type vervagen Gemiddeld vervagen en Gaussiaans vervagen |
Verschillende manieren van vervagen |
Selectie |
Hier selecteert u wat er gedaan moet worden met geselecteerde vlak |
De volgende selectie-items zijn beschikbaar:
Volgalgoritme
KCF |
Kernelized correlatiefilters (standaard) |
CSRT |
Channel and Spatial Reliability Tracking |
MOSSE |
Minimum uitvoersom van kwadraat van fout |
MIL |
Multiple Instance Learning |
MedianFlow |
|
DaSiam |
Het visuele volgalgoritme van DaSiamRPN vertrouwt op modellen uit deep-learning modellen om extreem accurate resultaten te leveren. Zie de onderstaande notitie voor installatie-instructies. |
Nano |
Nano-tracker is een lichtgewicht model, geeft goede resultaten en is snel. |
Tip
U moet wellicht met de verschillende volgalgoritmes experimenteren om in uw specifieke geval de gewenste resultaten te krijgen. Zie de korte vergelijking van de verschillende tracking algorithms hieronder.
Framevorm
Rechthoek |
Standaard |
Ellips |
|
Pijl |
Tip
De meest geschikte vorm kiezen helpt erbij dat het volgen beter gaat.
Type vervagen
Geen |
Niets doen (standaard) |
Gemiddelde vervaging |
Pas gemiddelde vervaging toe op rechthoek |
Gaussiaans vervagen |
Pas Gaussiaans vervaging toe op rechthoek |
In pixelvorm brengen |
Gepixeleerde rechthoek |
Ondoorzichtig vlak |
Rechthoek gevuld met een kleur |
Voorbeelden van Type vervagen:
Hoe een gebied van een video te volgen¶
De basis werkmethode voor het volgen van een gebied is als volgt:
Pas het effect toe op een clip
Selecteer het gewenste te volgen gebied[2] op de Projectmonitor.
Kies een volgalgoritme
Klik op de knop Analyseren.
Na de analyse is gedaan kunt u de keyframes exporteren naar het klembord door te klikken op en Alle keyframes naar klembord kopiëren te kiezen. Zie: Keyframes uitwisselen
Volgalgoritmen¶
- KCF:
Kernelized Correlation Filters
Voordelen: Nauwkeurigheid en snelheid zijn beiden beter dan MIL en het rapporteert mislukken van volgen beter dan MIL.
Nadeel: Herstelt niet als het onderwerp volledige bedekt (occlusie) is.
- CSRT:
Channel and Spatial Reliability Tracking.
In het “Discriminative Correlation Filter with Channel and Spatial Reliability (DCF-CSR)”, gebruiken we de ruimtelijke betrouwbaarheidskaart voor aanpassen van de filterondersteuning voor het deel van het geselecteerde gebied uit het frame dat we willen volgen. Dit verzekert het vergroten en lokaliseren van het geselecteerde gebied en verbeterd het volgen van de niet-rechthoekige gebieden of objecten. Het heeft slechts 2 standaard mogelijkheden (HoGs en Kleurnamen). Het werkt ook op een vergelijkbare lagere fps (25 fps) maar geeft hogere nauwkeurigheid voor volgen van objecten.
- MOSSE:
Minimum uitvoersom van kwadraat van fout (Minimum Output Sum of Squared Error)
MOSSE gebruikt een adaptieve correlatie voor volgen van een object die stabiele correlatiefilters produceert bij initialisatie met een enkel frame. MOSSE volger is robuust bij variaties in verlichting, schaal, pose en niet-rigide vervormingen. Het detecteert ook als het onderwerp volledig bedekt (occlusie) is gebaseerd op de verhouding piek-tot-zijlob, die de volger laat pauzeren en hervatten waar het stopte toen het object weer verscheen. MOSSE volger werkt ook op een hogere fps (450 fps en zelfs meer).
Voordeel: Het is net zo nauwkeurig als andere complexe volgers en veel sneller.
Nadeel: Op een prestatieschaal, blijft het achter op de “deep learning” gebaseerde volgers.
- MIL:
Multiple Instance Learning
Voordelen: De prestatie is tamelijk goed. Het doet een redelijke job onder gedeeltelijke bedekking van het onderwerp (occlusie).
Nadelen: Mislukken van volgen wordt niet betrouwbaar gerapporteerd. Herstelt niet vanuit volledige bedekking van het onderwerp (occlusie).
- MedianFlow:
Voordelen: Uitstekend rapporteren van mislukking van volgen. Werkt zeer goed wanneer de beweging voorspelbaar is en er geen volledige bedekking van het onderwerp (occlusie) is.
Nadelen: Mislukt bij grote bewegingen.
- DaSiam:
Het visuele volgalgoritme van DaSiamRPN vertrouwt op modellen uit deep-learning modellen om extreem accurate resultaten te leveren.
Om het DaSiam-algoritme te gebruiken moet u de AI-modellen downloaden
en plaatst ze in map voor modellen
- Nano:
Nano-tracker is een lichtgewicht model, geeft goede resultaten en is snel.
Om het Nano-algoritme te gebruiken moet u de AI-modellen downloaden (modelgrootte ongeveer 1,9 MB)
en plaatst ze in de map voor modellen
Map voor modellen¶
- Linux:
$HOME/.local/share/kdenlive/opencvmodels
- Flatpak:
$HOME/.var/app/org.kde.kdenlive/data/kdenlive/opencvmodels
- Windows:
%AppData%/kdenlive/opencvmodels
Druk op Win+R (tegelijk op toets Windows en R) en kopieer %AppData%/kdenlive/. Maak daarna de map opencvmodels aan