Camshift算法原理及其Opencv实现

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：

//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>
#endifIplImage *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);
}int main( int argc, char** argv )
{CvCapture* capture = 0;if( argc == 1 || (argc == 2 && strlen(argv[1]) == 1 && isdigit(argv[1][0])))//打开摄像头capture = cvCaptureFromCAM( argc == 2 ? argv[1][0] - '0' : 0 );else if( argc == 2 )//打开avicapture = cvCaptureFromAVI( argv[1] ); if( !capture )//打开视频流失败{fprintf(stderr,"Could not initialize capturing...\n");return -1;}printf( "Hot keys: \n""\tESC - quit the program\n""\tc - stop the tracking\n""\tb - switch to/from backprojection view\n""\th - show/hide object histogram\n""To initialize tracking, select the object with mouse\n" );//打印程序功能列表cvNamedWindow( "Histogram", 1 );//用于显示直方图cvNamedWindow( "CamShiftDemo", 1 );//用于显示视频cvSetMouseCallback( "CamShiftDemo", on_mouse, 0 );//设置鼠标回调函数cvCreateTrackbar( "Vmin", "CamShiftDemo", &vmin, 256, 0 );cvCreateTrackbar( "Vmax", "CamShiftDemo", &vmax, 256, 0 );cvCreateTrackbar( "Smin", "CamShiftDemo", &smin, 256, 0 );//设置滑动条for(;;)//进入视频帧处理主循环{IplImage* frame = 0;int i, bin_w, c;frame = cvQueryFrame( capture );if( !frame )break;if( !image )//image为0,表明刚开始还未对image操作过,先建立一些缓冲区{image = cvCreateImage( cvGetSize(frame), 8, 3 );image->origin = frame->origin;hsv = cvCreateImage( cvGetSize(frame), 8, 3 );hue = cvCreateImage( cvGetSize(frame), 8, 1 );mask = cvCreateImage( cvGetSize(frame), 8, 1 );//分配掩膜图像空间backproject = cvCreateImage( cvGetSize(frame), 8, 1 );//分配反向投影图空间,大小一样,单通道hist = cvCreateHist( 1, &hdims, CV_HIST_ARRAY, &hranges, 1 );//分配直方图空间histimg = cvCreateImage( cvSize(320,200), 8, 3 );//分配用于直方图显示的空间cvZero( histimg );//置背景为黑色}cvCopy( frame, image, 0 );cvCvtColor( image, hsv, CV_BGR2HSV );//把图像从RGB表色系转为HSV表色系if( track_object )//track_object非零,表示有需要跟踪的物体{int _vmin = vmin, _vmax = vmax;cvInRangeS( hsv, cvScalar(0,smin,MIN(_vmin,_vmax),0),cvScalar(180,256,MAX(_vmin,_vmax),0), mask );//制作掩膜板，只处理像素值为H：0~180，S：smin~256，V：vmin~vmax之间的部分cvSplit( hsv, hue, 0, 0, 0 );//分离H分量if( track_object < 0 )//如果需要跟踪的物体还没有进行属性提取，则进行选取框类的图像属性提取{float max_val = 0.f;cvSetImageROI( hue, selection );//设置原选择框为ROIcvSetImageROI( mask, selection );//设置掩膜板选择框为ROIcvCalcHist( &hue, hist, 0, mask );//得到选择框内且满足掩膜板内的直方图cvGetMinMaxHistValue( hist, 0, &max_val, 0, 0 );cvConvertScale( hist->bins, hist->bins, max_val ? 255. / max_val : 0., 0 );// 对直方图的数值转为0~255cvResetImageROI( hue );//去除ROIcvResetImageROI( mask );//去除ROItrack_window = selection;track_object = 1;//置track_object为1,表明属性提取完成cvZero( histimg );bin_w = histimg->width / hdims;for( i = 0; i < hdims; i++ )//画直方图到图像空间{int val = cvRound( cvGetReal1D(hist->bins,i)*histimg->height/255 );CvScalar color = hsv2rgb(i*180.f/hdims);cvRectangle( histimg, cvPoint(i*bin_w,histimg->height),cvPoint((i+1)*bin_w,histimg->height - val),color, -1, 8, 0 );}}cvCalcBackProject( &hue, backproject, hist );//计算hue的反向投影图cvAnd( backproject, mask, backproject, 0 );//得到掩膜内的反向投影cvCamShift( backproject, track_window,cvTermCriteria( CV_TERMCRIT_EPS | CV_TERMCRIT_ITER, 10, 1 ),&track_comp, &track_box );//使用MeanShift算法对backproject中的内容进行搜索,返回跟踪结果track_window = track_comp.rect;//得到跟踪结果的矩形框if( backproject_mode )cvCvtColor( backproject, image, CV_GRAY2BGR );if( image->origin )track_box.angle = -track_box.angle;cvEllipseBox( image, track_box, CV_RGB(255,0,0), 3, CV_AA, 0 );//画出跟踪结果的位置}if( select_object && selection.width > 0 && selection.height > 0 )//如果正处于物体选择，画出选择框{cvSetImageROI( image, selection );cvXorS( image, cvScalarAll(255), image, 0 );cvResetImageROI( image );}cvShowImage( "CamShiftDemo", image );cvShowImage( "Histogram", histimg );c = cvWaitKey(10);if( (char) c == 27 )break;switch( (char) c )//按键切换功能{case 'b':backproject_mode ^= 1;break;case 'c':track_object = 0;cvZero( histimg );break;case 'h':show_hist ^= 1;if( !show_hist )cvDestroyWindow( "Histogram" );elsecvNamedWindow( "Histogram", 1 );break;default:;}}cvReleaseCapture( &capture );cvDestroyWindow("CamShiftDemo");return 0;
}#ifdef _EiC
main(1,"camshiftdemo.c");
#endif

Camshift算法原理及其Opencv实现相关推荐

Camshift 算法原理
1.基于MeanShift的Camshift算法原理详解(整理) meanshift算法思想其实很简单:利用概率密度的梯度爬升来寻找局部最优.它要做的就是输入一个在图像的范围,然后一直迭代(朝着重心迭 ...
RANSAC(随机采样一致算法)原理及openCV代码实现
<RANSAC(随机采样一致算法)原理及openCV代码实现> 原文: http://www.lai18.com/content/1046939.html 本文转自:http://b ...
随机森林算法原理及OpenCV应用
随机森林算法是机器学习.计算机视觉等领域内应用较为广泛的一个算法.它不仅可以用来做分类(包括二分类和多分类),也可用来做回归预测,也可以作为一种数据降维的手段. 在随机森林中,将生成很多的决策树,并不 ...
对比度受限直方图均衡化CLAHE算法原理及Opencv C++代码实现
在上一篇博客中讲解了直方图均衡化的原理. 一文深入理解直方图均衡化的原理虽然直方图均衡简单.高效:但是,图像中不同的区域灰度分布相差甚远,对它们使用同一种变换常常产生不理想的效果: 实际应用中,常常 ...
OpenCV camshift算法的实例(附完整代码)
OpenCV camshift算法的实例 OpenCV camshift算法的实例 OpenCV camshift算法的实例 #include <iostream> #include &l ...
python opencv入门 Meanshift 和 Camshift 算法（40）
内容来自OpenCV-Python Tutorials 自己翻译整理目标: 在本章,学习Meanshift算法和Camshift算法来寻找和追踪视频中的目标物体. Meanshift算法: mean ...
使用Python，OpenCV的Meanshift 和 Camshift 算法来查找和跟踪视频中的对象
使用Python,OpenCV的Meanshift 和 Camshift 算法来查找和跟踪视频中的对象 1. 效果图 2. 源码 2.1 MeanShift 2.2 Camshift(Continuo ...
OpenCV均值移位(Meanshift)和Camshift算法
OpenCV Meanshift和Camshift算法 Meanshift和Camshift算法目标均值漂移Meanshift OpenCV中的Meanshift Camshift OpenCV中 ...
opencv python 多帧降噪算法_OpenCV-Python中用于视频跟踪的Meanshift和Camshift算法介绍...
学习目标在本章中, 我们将学习用于跟踪视频中对象的Meanshift和Camshift算法. Meanshift Meanshift背后的直觉很简单,假设你有点的集合.(它可以是像素分布,例如直方图 ...

Camshift算法原理及其Opencv实现

Camshift算法原理及其Opencv实现相关推荐

最新文章

热门文章