2019-9-12 opencv视频分析1-Meanshift(均值漂移)和Camshift(连续自适应均值漂移，根据追踪物体远近变化窗口大小)算法

官网https://docs.opencv.org/3.4.1/db/df8/tutorial_py_meanshift.html

Meanshift均值漂移

Meanshift背后的原理很简单。
假设你有一堆点（就像直方图反向投影一样的像素分布）。给你一个小窗口（圆形的），你需要把窗口移动到最大像素灰度区域（或者是点数量最多的区域）。如下图所示

初始窗口是图中蓝色圆形框C1，它的初始圆心标记为蓝色矩形“C1_o”，而窗口中点的质心被标记为蓝色圆圈“C1_r”，显然两者并不重合。把圆形窗口的圆心C1_o移动到质心C1_r位置，此时（窗口内的点发生了变化）又会产生新的质心，很大可能现在圆心（原来的质心）和新的质心还是不匹配的。重复上面的操作，反复迭代，尝试把圆心和质心重合同一个位置（或者有一个小的期望误差）。最终你得到的就是包含像素分布最大的窗口，即图中的绿色圆圈，称为C2。你可以发现绿色圆圈中有最大点数量。整个过程如下图所示

通常我们要传入直方图反向投影得到的图像和目标的初始位置。显然，当对象移动时候，移动会反映到直方图反向投影图中。最终结果，meanshift 算法就把我们的窗口移动到图像中灰度值最大的新位置了。

Meanshift in OpenCV

要在opencv中使用meanshift，首先我们需要设置目标，计算它的直方图，这样我们就能把目标反向投影到每一帧中用于计算meanshift。另外我们还需要提供窗口的初始位置。对于直方图，我们只需要考虑Hue（色调）。 同时，为了避免亮度低导致出错，可以利用cv.inRange() 函数忽略低亮度值。

以下代码是官网例子

import cv2 
import numpy as np
from matplotlib import pyplot as plt

cap = cv2.VideoCapture('slow.flv')

# take first frame of the video
ret,frame = cap.read()

# setup initial location of window，设置初试窗口位置和大小
r,h,c,w =  250,90,400,125  # simply hardcoded the values
track_window = (c,r,w,h) #x,y,w,h

# set up the ROI for tracking，设置追踪的区域
roi = frame[r:r+h, c:c+w]
# roi区域的hsv图像
hsv_roi =  cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)

# 取值hsv值在(0,60,32)到(180,255,255)之间的部分
mask = cv2.inRange(hsv_roi, np.array((0., 60.,32.)), np.array((180.,255.,255.)))
# 计算直方图,参数为 图片(可多)，通道数，蒙板区域，直方图长度，范围
roi_hist &#