CamShift算法,即”Continuously Apative Mean-Shift”算法,是一种运动跟踪算法。它主要通过视频图像中运动物体的颜色信息来达到跟踪的目的。 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。该算法分为三个部分: 1) Back Projection计算 2) Mean Shift算法 3) CamShift算法
具体实现是: 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。 算法过程也可以描述如下: (1) 选择搜索窗口
a.窗口的初始位置 (2) 计算窗口(可能是带权重的)的重心 (3) 将窗口的中心设置在计算出的重心处。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。 (4) 返回(2),直到窗口的位置不再变化(通常会变化,直至最后迭代收敛) 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。 计算Back Projection的步骤是这样的: 1. 计算被跟踪目标的色彩直方图。在各种色彩空间中,只有HSI空间(或与HSI类似的色彩空间)中的H分量可以表示颜色信息。所以在具体的计算过程中,首先将其他的色彩空间的值转化到HSI空间,然后会其中的H分量做1D直方图计算。 2. 根据获得的色彩直方图将原始图像转化成色彩概率分布图像,这个过程就被称作”Back Projection”。在OpenCV中的直方图函数中,包含Back Projection的函数,函数原型是:void cvCalcBackProject(IplImage** img, CvArr** backproject, const CvHistogram* hist); 传递给这个函数的参数有三个: 1. IplImage** img:存放原始图像,输入。 2. CvArr** backproject:存放Back Projection结果,输出。 3. CvHistogram* hist:存放直方图,输入 下面就给出计算Back Projection的OpenCV代码。 (1).准备一张只包含被跟踪目标的图片,将色彩空间转化到HSI空间,获得其中的H分量: IplImage* target=cvLoadImage("target.bmp",-1); //装载图片 IplImage* target_hsv=cvCreateImage( cvGetSize(target), IPL_DEPTH_8U, 3 ); IplImage* target_hue=cvCreateImage( cvGetSize(target), IPL_DEPTH_8U, 3 ); cvCvtColor(target,target_hsv,CV_BGR2HSV); //转化到HSV空间 cvSplit( target_hsv, target_hue, NULL, NULL, NULL ); //获得H分量 (2).计算H分量的直方图,即1D直方图: IplImage* h_plane=cvCreateImage( cvGetSize(target_hsv),IPL_DEPTH_8U,1 ); int hist_size[]={255}; //将H分量的值量化到[0,255] float* ranges[]={ {0,360} }; //H分量的取值范围是[0,360) CvHistogram* hist=cvCreateHist(1, hist_size, ranges, 1); cvCalcHist(&target_hue, hist, 0, NULL); 在这里需要考虑H分量的取值范围的问题,H分量的取值范围是[0,360),这个取值范围的值不能用一个byte来表示,为了能用一个byte表示,需要将H值做适当的量化处理,在这里我们将H分量的范围量化到[0,255]。 (3).计算Back Projection: IplImage* rawImage; //get from video frame,unsigned byte,one channel IplImage* result=cvCreateImage(cvGetSize(rawImage),IPL_DEPTH_8U,1); cvCalcBackProject(&rawImage,result,hist); (4). result即为我们需要的. Mean Shift算法的质心可以通过以下公式来计算: (1).计算区域内0阶矩 for(int i=0;i< height;i++) for(int j=0;j< width;j++) M00+=I(i,j) (2).区域内1阶矩: for(int i=0;i< height;i++) for(int j=0;j< width;j++) { M10+=i*I(i,j); M01+=j*I(i,j); } (3).则Mass Center为:Xc=M10/M00; Yc=M01/M00 在OpenCV中,提供Mean Shift算法的函数,函数的原型是:int cvMeanShift(IplImage* imgprob,CvRect windowIn, CvTermCriteria criteria,CvConnectedComp* out); 需要的参数为: (1).IplImage* imgprob:2D概率分布图像,传入; (2).CvRect windowIn:初始的窗口,传入; (3).CvTermCriteria criteria:停止迭代的标准,传入; (4).CvConnectedComp* out:查询结果,传出。 注:构造CvTermCriteria变量需要三个参数,一个是类型,另一个是迭代的最大次数,最后一个表示特定的阈值。例如可以这样构造 criteria: criteria=cvTermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS,10,0.1)。 CamShift算法的具体步骤分5步: Step 1:将整个图像设为搜寻区域。 Step 2:初始话Search Window的大小和位置。 Step 3:计算Search Window内的彩色概率分布,此区域的大小比Search Window要稍微大一点。 Step 4:运行MeanShift。获得Search Window新的位置和大小。 Step 5:在下一帧视频图像中,用Step 3获得的值初始化Search Window的位置和大小。跳转到Step 3继续运行。 在OpenCV中,有实现CamShift算法的函数,此函数的原型是: cvCamShift(IplImage* imgprob, CvRect windowIn,CvTermCriteria criteria,CvConnectedComp* out, CvBox2D* box=0); 其中: imgprob:色彩概率分布图像。 windowIn:Search Window的初始值。 Criteria:用来判断搜寻是否停止的一个标准。 out:保存运算结果,包括新的Search Window的位置和面积。 box:包含被跟踪物体的最小矩形。 |
|
来自: 学海无涯GL > 《Mean Shift》