基于meanshift的目標(biāo)跟蹤算法和實(shí)現(xiàn)

《基于meanshift的目標(biāo)跟蹤算法和實(shí)現(xiàn)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、WORD格式整理基于MeanShift的目標(biāo)跟蹤算法及實(shí)現(xiàn)這次將介紹基于MeanShift的目標(biāo)跟蹤算法，首先談?wù)労?jiǎn)介，然后給出算法實(shí)現(xiàn)流程，最后實(shí)現(xiàn)了一個(gè)單目標(biāo)跟蹤的MeanShift算法【matlab/c兩個(gè)版本】csdn貼公式比較煩，原諒我直接截圖了…一、簡(jiǎn)介首先扯扯無參密度估計(jì)理論，無參密度估計(jì)也叫做非參數(shù)估計(jì)，屬于數(shù)理統(tǒng)計(jì)的一個(gè)分支，和參數(shù)密度估計(jì)共同構(gòu)成了概率密度估計(jì)方法。參數(shù)密度估計(jì)方法要求特征空間服從一個(gè)已知的概率密度函數(shù)，在實(shí)際的應(yīng)用中這個(gè)條件很難達(dá)到。而無參數(shù)密度估計(jì)方法對(duì)先驗(yàn)知識(shí)要求最少，完全依

2、靠訓(xùn)練數(shù)據(jù)進(jìn)行估計(jì)，并且可以用于任意形狀的密度估計(jì)。所以依靠無參密度估計(jì)方法，即不事先規(guī)定概率密度函數(shù)的結(jié)構(gòu)形式，在某一連續(xù)點(diǎn)處的密度函數(shù)值可由該點(diǎn)鄰域中的若干樣本點(diǎn)估計(jì)得出。常用的無參密度估計(jì)方法有：直方圖法、最近鄰域法和核密度估計(jì)法。學(xué)習(xí)參考資料分享WORD格式整理MeanShift算法正是屬于核密度估計(jì)法，它不需要任何先驗(yàn)知識(shí)而完全依靠特征空間中樣本點(diǎn)的計(jì)算其密度函數(shù)值。對(duì)于一組采樣數(shù)據(jù)，直方圖法通常把數(shù)據(jù)的值域分成若干相等的區(qū)間，數(shù)據(jù)按區(qū)間分成若干組，每組數(shù)據(jù)的個(gè)數(shù)與總參數(shù)個(gè)數(shù)的比率就是每個(gè)單元的概率值；核密

3、度估計(jì)法的原理相似于直方圖法，只是多了一個(gè)用于平滑數(shù)據(jù)的核函數(shù)。采用核函數(shù)估計(jì)法，在采樣充分的情況下，能夠漸進(jìn)地收斂于任意的密度函數(shù)，即可以對(duì)服從任何分布的數(shù)據(jù)進(jìn)行密度估計(jì)。然后談?wù)凪eanShift的基本思想及物理含義：此外，從公式1中可以看到，只要是落入Sh的采樣點(diǎn)，無論其離中心x的遠(yuǎn)近，對(duì)最終的Mh(x)計(jì)算的貢獻(xiàn)是一樣的。然而在現(xiàn)實(shí)跟蹤過程中，當(dāng)跟蹤目標(biāo)出現(xiàn)遮擋等影響時(shí)，由于外層的像素值容易受遮擋或背景的影響，所以目標(biāo)模型中心附近的像素比靠外的像素更可靠。因此，對(duì)于所有采樣點(diǎn)，每個(gè)樣本點(diǎn)的重要性應(yīng)該是不同的，

4、離中心點(diǎn)越遠(yuǎn)，其權(quán)值應(yīng)該越小。故引入核函數(shù)和權(quán)重系數(shù)來提高跟蹤算法的魯棒性并增加搜索跟蹤能力。接下來，談?wù)労撕瘮?shù)：核函數(shù)也叫窗口函數(shù)，在核估計(jì)中起到平滑的作用。常用的核函數(shù)有：Uniform，Epannechnikov，Gaussian等。本文算法只用到了Epannechnikov，它數(shù)序定義如下：二、基于MeanShift的目標(biāo)跟蹤算法學(xué)習(xí)參考資料分享WORD格式整理基于均值漂移的目標(biāo)跟蹤算法通過分別計(jì)算目標(biāo)區(qū)域和候選區(qū)域內(nèi)像素的特征值概率得到關(guān)于目標(biāo)模型和候選模型的描述，然后利用相似函數(shù)度量初始幀目標(biāo)模型和當(dāng)前幀

5、的候選模版的相似性，選擇使相似函數(shù)最大的候選模型并得到關(guān)于目標(biāo)模型的Meanshift向量，這個(gè)向量正是目標(biāo)由初始位置向正確位置移動(dòng)的向量。由于均值漂移算法的快速收斂性，通過不斷迭代計(jì)算Meanshift向量，算法最終將收斂到目標(biāo)的真實(shí)位置，達(dá)到跟蹤的目的。下面通過圖示直觀的說明MeanShift跟蹤算法的基本原理。如下圖所示：目標(biāo)跟蹤開始于數(shù)據(jù)點(diǎn)xi0（空心圓點(diǎn)xi0，xi1，…，xiN表示的是中心點(diǎn)，上標(biāo)表示的是的迭代次數(shù)，周圍的黑色圓點(diǎn)表示不斷移動(dòng)中的窗口樣本點(diǎn)，虛線圓圈代表的是密度估計(jì)窗口的大?。＜^表示樣

6、本點(diǎn)相對(duì)于核函數(shù)中心點(diǎn)的漂移向量，平均的漂移向量會(huì)指向樣本點(diǎn)最密集的方向，也就是梯度方向。因?yàn)镸eanshift算法是收斂的，因此在當(dāng)前幀中通過反復(fù)迭代搜索特征空間中樣本點(diǎn)最密集的區(qū)域，搜索點(diǎn)沿著樣本點(diǎn)密度增加的方向“漂移”到局部密度極大點(diǎn)點(diǎn)xiN，也就是被認(rèn)為的目標(biāo)位置，從而達(dá)到跟蹤的目的，MeanShift跟蹤過程結(jié)束。運(yùn)動(dòng)目標(biāo)的實(shí)現(xiàn)過程【具體算法】：學(xué)習(xí)參考資料分享WORD格式整理三、代碼實(shí)現(xiàn)說明：1.RGB顏色空間刨分，采用161616的直方圖2.目標(biāo)模型和候選模型的概率密度計(jì)算公式參照上文3.opencv版

7、本運(yùn)行：按P停止，截取目標(biāo)，再按P，進(jìn)行單目標(biāo)跟蹤4.Matlab版本，將視頻改為圖片序列，第一幀停止，手工標(biāo)定目標(biāo)，雙擊目標(biāo)區(qū)域，進(jìn)行單目標(biāo)跟蹤。matlab版本：[plain]viewplaincopyfunction[]=select()closeall;clearall;%%%%%%%%%%%%%%%%%%根據(jù)一幅目標(biāo)全可見的圖像圈定跟蹤目標(biāo)%%%%%%%%%%%%%%%%%%%%%%%I=imread('result72.jpg');學(xué)習(xí)參考資料分享WORD格式整理figure(1);imshow(I);[

8、temp,rect]=imcrop(I);[a,b,c]=size(temp);%a:row,b:col%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%計(jì)算目標(biāo)圖像的權(quán)值矩陣%%%%%%%%%%%%%%%%%%%%%%%y(1)=a/2;y(2)=b/2;tic_x=rect(1)+rect(3)/2;tic_y=rect(2)