meanshift跟踪算法原理及代码

【致谢】http://blog.csdn.net/luckydongbin/article/details/1534192

用meshift算法可以实时实现物体的跟踪，但是该方法因为基于颜色直方图因此对于颜色变化敏感，而且该法搜索窗口规定，同时不能实现较大幅度的跟踪，克服这个问题可以参考Camshift，opencv有实例。meanshift适用于单张图像。camshift适用于连续图像。

///cvmeanshift函数的使用
///cvMeanShift实质已简化为计算图像像素分布的重心。
///cvMeanShift用于跟踪还需要选择代表物体特征的分布，确定物体特征，在每一帧上根据特征分布寻找收敛点。
#include <stdlib.h>
#include <stdio.h>
#include <cv.h>
#include <cxcore.h>
#include <highgui.h>
#include <math.h>


//using namespace std;
//using namespace cv;




void main()
{
char image_name[100];//存储打开文件名称
uchar* m_b = NULL;
IplImage* img = 0;
CvConnectedComp  my_mp;

int win_width = 50;//初始搜索窗口

sprintf(image_name, "%s%s", "E:\\cvMeanShift\\lena",".bmp");
img = cvLoadImage(image_name);//打开图片
IplImage* img_shift = cvCreateImage(cvSize(img->width,img->height), IPL_DEPTH_8U, 1);
IplImage* pic = cvCreateImage(cvSize(img->width,img->height), IPL_DEPTH_8U, 3);
cvCvtColor(img, img_shift, CV_BGR2GRAY);//必须是单通道图片才可以

cvNamedWindow( "mainWin");//创建窗口


cvMeanShift(img_shift, cvRect(50,80,win_width,win_width),cvTermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS, 1000, 0.1), &my_mp);//img_shift：单通道图像；cvRect：初始窗口；1000指迭代次数，0.1指的是迭代条件  cvTermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS, 1000, 0.1)  满足次数1000或者精度0.1停止迭代。
    ///my_mp是返回值，里面存储结果，其中my_mp->rect是收敛后窗口位置，my_mp->area是最终窗口中所有像素点的和。
    ///cvMeanShift实质已简化为计算图像像素分布的重心。
CV_IMAGE_ELEM(img_shift, uchar, my_mp.rect.y+win_width/2, my_mp.rect.x+win_width/2) = 255;//提取某点象素值；把最后的收敛窗口标出来,一个纯白的亮点 

printf("收敛点已经标注为白色亮点\n");

cvCvtColor(img_shift, pic, CV_GRAY2BGR);

cvSaveImage("E:\\cvMeanShift\\lena_after_mean.bmp", pic);
cvShowImage("mainWin", img_shift);

cvWaitKey(0);

cvDestroyWindow("mainWin");
cvReleaseImage(&img);

cvReleaseImage(&img_shift);
cvReleaseImage(&pic);
}

【以下转自】http://blog.csdn.net/luckydongbin/article/details/1534192

  meanshift是由Comaniciu最先提出来，是用于跟踪非刚性物体的一种算法。本的介绍也是源自Comaniciu的文章。下面是文章的一些基本信息：

Title:Kernel-Based Object Tracking

Authors：Dorin Comaniciu, Senior Member, IEEE, Visvanathan Ramesh, Member, IEEE, and Peter Meer, Senior Member, IEEE

Publication:IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 25, NO. 5, MAY 2003.pp564-577.

        同时，由于公式不容易直接粘贴过来，读者如有兴趣或疑问，请参考原文。另外，这里只介绍主要算法。

       为了表征目标，首先需要选择一个特征空间。参考目标，用在特征空间中概率密度函数q表示，例如参考模型可以选择目标的颜色概率密度函数。不失一般性，目标模型可以认为中心处于其所在空间的中心。在下一帧候选目标被定义为在位置y，用概率密度函数p(y)来表示。为了满足实时性的要求，它们分别用非参数的方法中的直方图统计^q和^p(y)表示。

        目标和候选直方图之间的相似度函数记作公式(1)，相似度的局部最大意味着在候选模型与目标模型匹配。如果仅考虑颜色信息，候选区域的相似度变化会很大，匹
配效果不好。为了得到一个连续性的相似度函数，在空间域内，用一个核函数对目标
区域做滤波处理。

         目标模型中的特征概率可以用等式(2)来计算，其中表示归一化的像素位置，k(x)是一个凸的单调递减的核函数，它为距离中心远的像素分配小的权值，距离中心近的像素分配大的权值，b表示位置直方图索引，C为归一化常数。同理，对于目标候选模型也是用同样的k(x)，但是带有带宽h，特征概率可以用等式(4)来计算。相似度函数定义了目标模型和候选模型的距离，  ^p和^q 的相似度函数用Bhattacharyya系数表示，公式（8，9）。

       在当前帧中，目标模型的匹配位置就是等式(9)中第二项的最大值。可以看出，在当前帧下，等式(9)的第二项用y位置核截面用k(x)的计算的概率密度和权重w表示。在邻域内，可以应用Meanshift过程找到最大的模式。在这个过程中，核通过等式(11) 从当前位置^y0移动到新的位置^y1。如此，循环迭代实现目标的跟踪。