有關(guān)meanshift跟蹤的理解

1、meanshift算法思想其實(shí)很簡(jiǎn)單：利用概率密度的梯度爬升來(lái)尋找局 部最優(yōu)。它要做的就是輸入一個(gè)在圖像的范圍，然后一直迭代（朝著 重心迭代）直到滿足你的要求為止。但是他是怎么用于做圖像跟蹤的 呢？這是我自從學(xué)習(xí)meanshift以來(lái)，一直的困惑。而且網(wǎng)上也沒(méi)有 合理的解釋。經(jīng)過(guò)這幾天的思考，和對(duì)反向投影的理解使得我對(duì)它的 原理有了大致的認(rèn)識(shí)。在opencv中，進(jìn)行meanshift其實(shí)很簡(jiǎn)單，輸入一張圖像（imgProb），再輸入一個(gè)開(kāi)始迭代的方框（windowIn）和一個(gè)迭代條件（criteria），輸出的是迭代完成的位置（comp）。這是函數(shù)原型：int cvMeanShift（ con

2、st void* imgProb, CvRect windowIn,CvTermCriteria criteria, CvConnectedComp* comp ）但是當(dāng)它用于跟蹤時(shí)，這張輸入的圖像就必須是反向投影圖了。為什么必須是反向投影圖呢？首先我們要理解什么是反向投影 圖。簡(jiǎn)單理解它其實(shí)實(shí)際上是一張概率密度圖。經(jīng)過(guò)反向投影時(shí)的輸 入是一個(gè)目標(biāo)圖像的直方圖（也可以認(rèn)為是目標(biāo)圖像），還一個(gè)輸入 是當(dāng)前圖像就是你要跟蹤的全圖，輸出大小與全圖一樣大，它上像素 點(diǎn)表征著一種概率，就是全圖上這個(gè)點(diǎn)是目標(biāo)圖像一部分的概率。如 果這個(gè)點(diǎn)越亮，就說(shuō)明這個(gè)點(diǎn)屬于物體的概率越大?，F(xiàn)在我們明白了 這原來(lái)是一張概

3、率圖了。當(dāng)用meanshift跟蹤時(shí)，輸入的原來(lái)是這樣 一幅圖像，那也不難怪它可以進(jìn)行跟蹤了。半自動(dòng)跟蹤思路：輸入視頻，用畫(huà)筆圈出要跟蹤的日標(biāo)，然后對(duì)物體跟蹤。用過(guò)opencv的都知道，這其實(shí)是camshiftdemo的工作過(guò)程。第一步：選中物體，記錄你輸入的方框和物體。第二步：求出視頻中有關(guān)物體的反向投影圖。第三步：根據(jù)反向投影圖和輸入的方框進(jìn)行meanshift迭代，由于它是向重心移動(dòng)，即向反向投影圖中概率大的地方移動(dòng)，所以始終會(huì)移動(dòng)到日標(biāo)上。第四步：然后下一幀圖像時(shí)用上一幀輸出的方框來(lái)迭代即可。全自動(dòng)跟蹤思路：輸入視頻，對(duì)運(yùn)動(dòng)物體進(jìn)彳丁跟蹤。第一步：運(yùn)用運(yùn)動(dòng)檢測(cè)算法將運(yùn)動(dòng)的物體與背景分割開(kāi)來(lái)。第二步：提取運(yùn)動(dòng)物體的輪廓，并從原圖中獲取運(yùn)動(dòng)圖像的信息。第三步：對(duì)這個(gè)信息進(jìn)行反向投影，獲取反向投影圖。第四步：根據(jù)反向投影圖和物體的輪廓（也就是輸入的方框）進(jìn)行meanshift迭代，由于它是向重心移動(dòng)，即向反向投影圖中概率大的地方移動(dòng)，所以始終會(huì)移動(dòng)到物體上。第五步：然后下一幀圖像時(shí)用上一幀輸出的方框來(lái)迭代即可?？偨Y(jié)：用meanshift進(jìn)行跟蹤最重要的一點(diǎn)是輸入圖像的把握，也就是要讓它的迭代能越來(lái)越迭代到目標(biāo)上 這種圖像也