|
- UID
- 1029342
- 性别
- 男
|
Camshift原理
camshift利用目标的颜色直方图模型将图像转换为颜色概率分布图，初始化一个搜索窗的大小和位置，并根据上一帧得到的结果自适应调整搜索窗口的位置和大小，从而定位出当前图像中目标的中心位置。
分为三个部分：
1--色彩投影图（反向投影）：
(1).RGB颜色空间对光照亮度变化较为敏感，为了减少此变化对跟踪效果的影响，首先将图像从RGB空间转换到HSV空间。(2).然后对其中的H分量作直方图，在直方图中代表了不同H分量值出现的概率或者像素个数，就是说可以查找出H分量大小为h的概率或者像素个数，即得到了颜色概率查找表。(3).将图像中每个像素的值用其颜色出现的概率对替换，就得到了颜色概率分布图。这个过程就叫反向投影，颜色概率分布图是一个灰度图像。
2--meanshift
meanshift算法是一种密度函数梯度估计的非参数方法，通过迭代寻优找到概率分布的极值来定位目标。
算法过程为：
(1).在颜色概率分布图中选取搜索窗W
(2).计算零阶距：
计算一阶距：
计算搜索窗的质心：
(3).调整搜索窗大小
宽度为 ；长度为1.2s；
(4).移动搜索窗的中心到质心，如果移动距离大于预设的固定阈值，则重复2)3)4)，直到搜索窗的中心与质心间的移动距离小于预设的固定阈值，或者循环运算的次数达到某一最大值，停止计算。关于meanshift的收敛性证明可以google相关文献。
3--camshift
将meanshift算法扩展到连续图像序列，就是camshift算法。它将视频的所有帧做meanshift运算，并将上一帧的结果，即搜索窗的大小和中心，作为下一帧meanshift算法搜索窗的初始值。如此迭代下去，就可以实现对目标的跟踪。
算法过程为：
(1).初始化搜索窗
(2).计算搜索窗的颜色概率分布（反向投影）
(3).运行meanshift算法，获得搜索窗新的大小和位置。
(4).在下一帧视频图像中用(3)中的值重新初始化搜索窗的大小和位置，再跳转到(2)继续进行。
camshift能有效解决目标变形和遮挡的问题，对系统资源要求不高，时间复杂度低，在简单背景下能够取得良好的跟踪效果。但当背景较为复杂，或者有许多与目标颜色相似像素干扰的情况下，会导致跟踪失败。因为它单纯的考虑颜色直方图，忽略了目标的空间分布特性，所以这种情况下需加入对跟踪目标的预测算法。
OpenCV实现camshift算法的例子：
[cpp] view plain copy
- //对运动物体的跟踪：
- //如果背景固定,可用帧差法 然后在计算下连通域 将面积小的去掉即可
- //如果背景单一,即你要跟踪的物体颜色和背景色有较大区别 可用基于颜色的跟踪 如CAMSHIFT 鲁棒性都是较好的
- //如果背景复杂,如背景中有和前景一样的颜色 就需要用到一些具有预测性的算法 如卡尔曼滤波等 可以和CAMSHIFT结合
- #ifdef _CH_
- #pragma package <opencv>
- #endif
- #ifndef _EiC
- #include "cv.h"
- #include "highgui.h"
- #include <stdio.h>
- #include <ctype.h>
- #endif
- IplImage *image = 0, *hsv = 0, *hue = 0, *mask = 0, *backproject = 0, *histimg = 0;
- //用HSV中的Hue分量进行跟踪
- CvHistogram *hist = 0;
- //直方图类
- int backproject_mode = 0;
- int select_object = 0;
- int track_object = 0;
- int show_hist = 1;
- CvPoint origin;
- CvRect selection;
- CvRect track_window;
- CvBox2D track_box;
- //Meanshift跟踪算法返回的Box类
- //typedef struct CvBox2D{
- //CvPoint2D32f center; /* 盒子的中心 */
- //CvSize2D32f size; /* 盒子的长和宽 */
- //float angle; /* 水平轴与第一个边的夹角，用弧度表示*/
- //}CvBox2D;
- CvConnectedComp track_comp;
- //连接部件
- //typedef struct CvConnectedComp{
- //double area; /* 连通域的面积 */
- //float value; /* 分割域的灰度缩放值 */
- //CvRect rect; /* 分割域的 ROI */
- //} CvConnectedComp;
- int hdims = 16;
- //划分直方图bins的个数，越多越精确
- float hranges_arr[] = {0,180};
- //像素值的范围
- float* hranges = hranges_arr;
- //用于初始化CvHistogram类
- int vmin = 10, vmax = 256, smin = 30;
- //用于设置滑动条
- void on_mouse( int event, int x, int y, int flags, void* param )
- //鼠标回调函数,该函数用鼠标进行跟踪目标的选择
- {
- if( !image )
- return;
- if( image->origin )
- y = image->height - y;
- //如果图像原点坐标在左下,则将其改为左上
- if( select_object )
- //select_object为1,表示在用鼠标进行目标选择
- //此时对矩形类selection用当前的鼠标位置进行设置
- {
- selection.x = MIN(x,origin.x);
- selection.y = MIN(y,origin.y);
- selection.width = selection.x + CV_IABS(x - origin.x);
- selection.height = selection.y + CV_IABS(y - origin.y);
- selection.x = MAX( selection.x, 0 );
- selection.y = MAX( selection.y, 0 );
- selection.width = MIN( selection.width, image->width );
- selection.height = MIN( selection.height, image->height );
- selection.width -= selection.x;
- selection.height -= selection.y;
- }
- switch( event )
- {
- case CV_EVENT_LBUTTONDOWN:
- //鼠标按下,开始点击选择跟踪物体
- origin = cvPoint(x,y);
- selection = cvRect(x,y,0,0);
- select_object = 1;
- break;
- case CV_EVENT_LBUTTONUP:
- //鼠标松开,完成选择跟踪物体
- select_object = 0;
- if( selection.width > 0 && selection.height > 0 )
- //如果选择物体有效，则打开跟踪功能
- track_object = -1;
- break;
- }
- }
- CvScalar hsv2rgb( float hue )
- //用于将Hue量转换成RGB量
- {
- int rgb[3], p, sector;
- static
const
int sector_data[][3]= - {{0,2,1}, {1,2,0}, {1,0,2}, {2,0,1}, {2,1,0}, {0,1,2}};
- hue *= 0.033333333333333333333333333333333f;
- sector = cvFloor(hue);
- p = cvRound(255*(hue - sector));
- p ^= sector & 1 ? 255 : 0;
- rgb[sector_data[sector][0]] = 255;
- rgb[sector_data[sector][1]] = 0;
- rgb[sector_data[sector][2]] = p;
- return cvScalar(rgb[2], rgb[1], rgb[0],0);
- }
|
|
