利用ICA 进行运动跟踪

利用ICA的原理，可以分离两幅图像中不相同的部分，这就为运动跟踪，建立了条件。

下面通过一个案例进行说明，代码采用matlab。

Matlab代码如下：

videoDemo.m

video = mmreader('1.avi');%% 读取要处理的视频

nFrames = video.NumberOfFrames;   %得到帧数

H = video.Height;     %得到高度

W = video.Width;      %得到宽度

Rate = video.FrameRate; %得到视频帧率

% Preallocate movie structure.
mov(1:nFrames) = struct('cdata',zeros(H,W,3,'uint8'),'colormap',[]);
back = rgb2gray(imread('back.png'));%% 读取背景
back = imresize(back,0.5);%% 缩小原始图像
%read one frame every time

for i = 222:2:3100

   mov(i).cdata = read(video,i);

    P= mov(i).cdata;
    P =rgb2gray(P);%% 彩色图像转换到灰度图像

    d = imresize(P,0.5);
%     disp('当前播帧数：'),disp(i);
    dst = compute(d,back,P,i);%%  视频处理
   
         pause(0.05);%%  停顿视频


end

其中，compute.m

function [ dst ] = compute( I1,I2 ,src,ii )
%UNTITLED3 Summary of this function goes here
%   Detailed explanation goes here
maxV1 = double(max(max(I1)))/255;%%获得原始图像的最大最小值
minV1 = double(min(min(I1)))/255;%%<span style="font-family: Arial, Helvetica, sans-serif;">获得原始图像的最大最小值</span>
maxV2 = double(max(max(I2)))/255;
minV2 = double(min(min(I2)))/255;

M = size(I1,1)*size(I1,2);
len1 = size(I1,1);
len2 = size(I1,2);
src1 = double(reshape(I1,1,M))/255;
src2 = double(reshape(I2,1,M))/255;
S=[src1;src2];
MixedS=S;
MixedS_bak=S;                  
%%%%%%%%%%%%%%%%%%%%%%%%%%  标准化  %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
MixedS_mean=zeros(2,1);
for i=1:2
    MixedS_mean(i)=mean(MixedS(i,:));
end                                        % 计算MixedS的均值

for i=1:2
    for j=1:size(MixedS,2)
        MixedS(i,j)=MixedS(i,j)-MixedS_mean(i);
    end
end

%%%%%%%%%%%%%%%%%%%%%%%%%%%  白化  %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

MixedS_cov=cov(MixedS');                    % cov为求协方差的函数
[E,D]=eig(MixedS_cov);                      % 对信号矩阵的协方差函数进行特征值分解
Q=inv(sqrt(D))*(E)';                        % Q为白化矩阵
MixedS_white=Q*MixedS;                      % MixedS_white为白化后的信号矩阵
IsI=cov(MixedS_white');                     % IsI应为单位阵            

%%%%%%%%%%%%%%%%%%%%%%%%　FASTICA算法  %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
X=MixedS_white;                            % 以下算法将对X进行操作
[VariableNum,SampleNum]=size(X);
numofIC=VariableNum;                       % 在此应用中，独立元个数等于变量个数
B=zeros(numofIC,VariableNum);              % 初始化列向量w的寄存矩阵,B=[b1  b2  ...   bd]
for r=1:numofIC
    i=1;maxIterationsNum=100;               % 设置最大迭代次数（即对于每个独立分量而言迭代均不超过此次数）
    IterationsNum=0;
    b=rand(numofIC,1)-.5;                  % 随机设置b初值
    b=b/norm(b);                           % 对b标准化 norm(b):向量元素平方和开根号
    while i<=maxIterationsNum+1
        if i == maxIterationsNum           % 循环结束处理
            fprintf('\n第%d分量在%d次迭代内并不收敛。', r,maxIterationsNum);
            break;
        end
        bOld=b;                          
        a2=1;
        u=1;
        t=X'*b;
        g=t.*exp(-a2*t.^2/2);
        dg=(1-a2*t.^2).*exp(-a2*t.^2/2);
        b=((1-u)*t'*g*b+u*X*g)/SampleNum-mean(dg)*b;
                                           % 核心公式
        b=b-B*B'*b;                        % 对b正交化
        b=b/norm(b); 
        if abs(abs(b'*bOld)-1)<1e-9        % 如果收敛，则
             B(:,r)=b;                     % 保存所得向量b
             break;
         end
        i=i+1;        
    end
%    B(:,r)=b;                                % 保存所得向量b
end

%%%%%%%%%%%%%%%%%%%%%%%%%%  ICA计算的数据复原并构图  %%%%%%%%%%%%%%%%%%%%%%%%%
ICAedS=B'*Q*MixedS_bak;                     % 计算ICA后的矩阵

% 将混合矩阵重新排列并输出
ICAedS=abs(ICAedS)/max(max(abs(ICAedS)));
minv1 = min(ICAedS(1,:));
maxv1 = max(ICAedS(1,:));
minv2 = min(ICAedS(2,:));
maxv2 = max(ICAedS(2,:));

%%   错误提前判断
if minv1<minV1
dst1 = imadjust(reshape(ICAedS(1,:),len1,len2),[minv1,maxv1],[minV1,maxV1],1);
else
dst1 = imadjust(reshape(ICAedS(1,:),len1,len2));
end
if minv2<minV2
dst2 = imadjust(reshape(ICAedS(2,:),len1,len2),[minv2,maxv2],[minV2,maxV2],1);
else
dst2 = imadjust(reshape(ICAedS(2,:),len1,len2));
end

%%  得到分离图像
if sum(sum(dst2))> sum(sum(dst1))
   dst1(dst1<0.12)=0;
dst = dst1;
else
    dst2(dst2<0.12)=0;
dst = dst2;
end
[h w] = size(dst);
%% 获取要处理的区域
getRoi = dst(h*0.2:h*0.4,:);
dd = getRoi>0.2;%% 消除过暗的区域
[hh,ww] = size(getRoi);
imshow(imresize(src,0.5));
hold on
%% 画图
     s = regionprops(dd);
    flag = 0;  
      for r = 1:length(s)  
     
          if s(r).Area<20 || s(r).BoundingBox(2)>hh*0.8 ||s(r).BoundingBox(2)<hh*0.05|| s(r).BoundingBox(1)>ww*0.85 ||s(r).BoundingBox(1)<(ww*0.15) 
              continue
          end
          flag = 1;
%            plot(s(r).Centroid(:,1), s(r).Centroid(:,2), 'r*')  %%%中心点
          
%%  映射到原图
%           uu = s(r).BoundingBox+[0,h*0.2,0,0];%%%映射到原图
%           uu = uu*2;
%            rectangle('Position',uu,'EdgeColor','r');
           
 %% 映射到缩小的图像上          
          uu = s(r).BoundingBox+[0,h*0.2,0,0];%%%映射到原图
%           uu = uu*2;
           rectangle('Position',uu,'EdgeColor','r');
%       set(gca,'units','pixels','Visible','off');
   
      frame=getframe(gcf,[83,58,w,h]);
        im=frame2im(frame);
     filename = [  'video\back' num2str(ii) '.png' ];   
       imwrite(im,filename);
        
       end
if flag ==0
    frame=getframe(gcf,[83,58,w,h]);
     im=frame2im(frame);
     filename = [  'video\back' num2str(ii) '.png' ];   
     imwrite(im,filename);
end
end

视频的处理效果如下图所示：只判断车所在的那条路上的情况，简单的demo程序在最后面的链接中。

我将工程的所有内容放到http://download.csdn.net/detail/yeyang911/9227303 这个链接上，感兴趣的可以下载运行。