meanshift应用于目标跟踪

这个文章并不是详细的讲解，只是总结一下我用meanshift的一些体会

先简单说一下meanshift算法的原理：

如下图所示，先指定一个区域，通过把指定区域的几何中心与质心想比较，如果相差较大，将区域的几何中心移到质心处，然后继续做比较。直到这个区域的几何中心与质心重合。用这个方法，可以找到一个图片中点最密集的地方。

将meanshift应用于目标跟踪，其实就是构造一个待定位帧的PDF，然后应用上述的梯度爬坡的思想，找到其密度最密集的区域，认为这个区域就是目标在该帧中的定位。基本思路如下：

1 在A帧中选择一个目标a

2 根据B帧与a的关系，得到B的PDF

3 meanshift方法找到概率密度最密集的区域，这个区域就认为是目标在B帧中的位置

怎么构造PDF图，我找到两种方法：

1  先求目标a的直方图，用这个直方图在B帧中反投影。所谓反向投影其实很简单。就是把B帧中每一个像素的灰度值用这个灰度值在目标a的直方图中对应的值表示。这样反向投影之后，如果B帧的反向投影图的一个点的值特别大，就认为在个点原来的像素值在目标中出现的次数特别多，也就认为这个点是目标中的一个点的概率特别大。

当然这种方法的缺点是很大的。尤其中当目标与背景灰度相差不是很大的时候，这方法效果很不好。

这个方法当然也有优点，就是算法的速度比较快，我在没有任何优化的情况下，1秒能处理100帧。

2 在B帧中找一个与目标a相同大小的区域，把 这个区域命名为b，然后计算b的直方图，然后比较a的直方图与b的直方图的差别，用一个值来表示这种差别，并把这个值替换B帧中的像素值。

可以将a直方图与b直方图的两个向量，归一化后，用这两个向量的点积来表示它们之间的差别程度，差别越大，那么这两个归一化向量的夹角越大，他们的点积就越小。如果差别越小，那么这两个归一化向量的夹角就越小，点积也就越大。用这两个归一化向量的的点积来代替B帧中区域b对应的像素的灰度值，通过移动B帧中的区域b（每次移动都会对应一个点，通过这个方法遍历所有的像素），可以将B帧中所有的点，用一个点积表示，且这个点积的值越大，则这个点对应的区域与目标越接近。这样就得到了B帧的PDF。

这样处理之后，就可以用meanshift算法来进行梯度爬坡，找到与目标最接近的区域的位置了。

这种方法的鲁棒性要好一点，但是处理速度没有上一种方法快。