基于meanshift算法的目标聚类和目标跟踪matlab仿真

目录

1.算法描述

2.仿真效果预览

3.MATLAB核心程序

4.完整MATLAB

---

1.算法描述

       meanshift算法其实通过名字就可以看到该算法的核心，mean（均值），shift（偏移），简单的说，也就是有一个点 ,它的周围有很多个点  我们计算点  移动到每个点  所需要的偏移量之和，求平均，就得到平均偏移量，（该偏移量的方向是周围点分布密集的方向）该偏移量是包含大小和方向的。然后点  就往平均偏移量方向移动，再以此为新的起点不断迭代直到满足一定条件结束。

       中心点就是我们上面所说的  周围的小红点就是  黄色的箭头就是我们求解得到的平均偏移向量。那么图中“大圆圈”是什么东西呢？我们上面所说的周围的点  周围是个什么概念？总的有个东西来限制一下吧。那个“圆圈”就是我们的限制条件，或者说在图像处理中，就是我们搜索迭代时的窗口大小。

       步骤1、首先设定起始点  ，我们说了，是球，所以有半径  ， 所有在球内的点就是  , 黑色箭头就是我们计算出来的向量  , 将所有的向量  进行求和计算平均就得到我们的meanshift 向量，也就是图中黄色的向量。 

        接着，再以meanshift向量的重点为圆心，再做一个高维的球，如下图所示，重复上面的步骤，最终就可以收敛到点的分布中密度最大的地方

算法步骤：

           1）在未被标记的数据点中随机选择一个点作为起始中心点center；

           2）找出以center为中心半径为radius的区域中出现的所有数据点，认为这些点同属于一个聚类C，同时在该聚类中记录数据点出现的次数加1；

           3）以center为中心点，计算从center开始到集合M中每个元素的向量，将这些向量相加，得到向量shift;

           4）center=center+shift,即center沿着shift方向移动，移动距离为||shift||；

           5）重复步骤2，3，4，直到shift很小，记得此时的center。注意，这个迭代过程中遇到的点都应该归类到簇C；

           6）如果收敛时当前簇C的center与其它已经存在的簇C2中心的距离小于阈值，那么把C2与C合并，数据点出现次数也对应合并。否则把C作为新的聚类；

           7）重复1，2，3，4，5直到所有点都被标记为已访问；

           8）分类：根据每个类，对每个点的访问频率，取访问频率最大的那个类，作为当前点集的所属类。

 

        对式(33)右边的第二项,我们可以利用Mean Shift算法进行最优化.在Comaniciu等人的文章中,他们只用平均每帧图像只用4.19次Mean Shift迭代就可以收敛,他们的结果很显示在600MHz的PC机上,他们的程序可以每秒处理30帧352240象素的图像.下图显示了各帧需要的Mean Shift迭代次数.

2.仿真效果预览

matlab2022a仿真结果如下：

 

 

3.MATLAB核心程序

........................
 
[cmin, cmax, rmin, rmax ] = select( Image1 );
cmin = round(cmin);
cmax = round(cmax);
rmin = round(rmin);
rmax = round(rmax);
wsize(1) = abs(rmax - rmin);
wsize(2) = abs(cmax - cmin);
 
hsvimage = rgb2hsv(Image1);
% pull out the h
huenorm = hsvimage(:,:,1);
 
hue = huenorm*255;
 
hue=uint8(hue);
 
histogram = zeros(256);
 
for i=rmin:rmax
    for j=cmin:cmax
        index = uint8(hue(i,j)+1);   
 
        histogram(index) = histogram(index) + 1;
    end
end
 
 
 
disp('start');
 
for i = 50:numberofframes-10
    disp('Processing frame');
    disp(i);
%     Frame = M(1, i);
    I = allFrames(:,:,:,i);
    
    % translate to hsv
    hsvimage = rgb2hsv(I);
    % pull out the h
    huenorm = hsvimage(:,:,1);
 
    % scale to 0 to 255
    hue = huenorm*255;
    % set unit type
    hue=uint8(hue);
    
    
    
    [rows cols] = size(hue);
 
    probmap = zeros(rows, cols);
    for r=1:rows
        for c=1:cols
            if(hue(r,c) ~= 0)
                probmap(r,c)= histogram(hue(r,c));   
            end
        end  
    end
    probmap = probmap/max(max(probmap));
    probmap = probmap*255;
    
    count = 0;
    
    rowcenter = 0;  % any number just so it runs through at least twice
    colcenter = 0;
    rowcenterold = 30;
    colcenterold = 30;
 
    while (((abs(rowcenter - rowcenterold) > 2) && (abs(colcenter - colcenterold) > 2)) || (count < 15) )
 
        rmin = max(min(rmin - 15,R),1);  %increase window size and check for center
        rmax = max(min(rmax + 15,R),1);
        cmin = max(min(cmin - 15,C),1);
        cmax = max(min(cmax + 15,C),1);
        
        rowcenterold = rowcenter; %save old center for convergence check
        colcenterold = colcenter;
        
        [ rowcenter colcenter M00 ] = meanshift(I, rmin, rmax, cmin,cmax, probmap);
 
        rmin = round(rowcenter - wsize(1)/2);
        rmax = round(rowcenter + wsize(1)/2);
        cmin = round(colcenter - wsize(2)/2);
        cmax = round(colcenter + wsize(2)/2);
        wsize(1) = abs(rmax - rmin);
        wsize(2) = abs(cmax - cmin);
        
        count = count + 1;
    end
    
 
    G = .2989*I(:,:,1)+.5870*I(:,:,2)+.1140*I(:,:,3);
    
    trackim=I;
  
    
    if isnan(cmin)==0 & isnan(cmax)==0 & isnan(rmin)==0 & isnan(rmax)==0
    for r= rmin:rmax
        trackim(r, cmin,:) = 255;
        trackim(r, cmax,:) = 255;
    end
    for c= cmin:cmax
        trackim(rmin, c,:) = 255;
        trackim(rmax, c,:) = 255;
    end
    end
    centers(i,:) = [colcenter rowcenter];
    % Set window size = 2 * (Moo/256)^1/2
    windowsize = 2 * (M00/256)^.5;
 
    sidelength = sqrt(windowsize);
    
A145

4.完整MATLAB

V