Camshift算法研究

CamShift 算法研究（基于opencv ）

CamShift 算法：
    CamShift 算法，即"Continuously Apative Mean-Shift" 算法，是一种运动跟踪算法。它主要通过视频图像中运动物体的颜色信息来达到跟踪的目的。
     我把这个算法分解成三个部分，便于理解：
    1) Back Projection （背景放映）计算
    2) Mean Shift （平均转换）算法
    3) CamShift 算法
（注意：上面的翻译纯属个人理解！）
1 ）Back Projection:
计算Back Projection 的步骤是这样的：
1.  计算被跟踪目标的色彩直方图。在各种色彩空间中，只有HSI 空间( 或与HSI 类似的色彩空间) 中的H 分量可以表示颜色信息。所以在具体的计算过程中，首先 将其他的色彩空间的值转化到HSI 空间，然后会其中的H 分量做1D 直方图计算。
2.  根据获得的色彩直方图将原始图像转化成色彩概率分布图像，这个过程就被称作"Back Projection" 。
在OpenCV 中的直方图函数中，包含Back Projection 的函数，函数原型是：
   void cvCalcBackProject(IplImage** img, CvArr** backproject, const CvHistogram* hist);
传递给这个函数的参数有三个：
1. IplImage** img: 存放原始图像，输入。
2. CvArr** backproject: 存放Back Projection 结果，输出。
3. CvHistogram* hist: 存放直方图，输入

下面就给出计算Back Projection 的OpenCV 代码。
1. 准备一张只包含被跟踪目标的图片，将色彩空间转化到HSI 空间，获得其中的H 分量：
IplImage* target=cvLoadImage("target.bmp",-1); // 装载图片
IplImage* target_hsv=cvCreateImage( cvGetSize(target), IPL_DEPTH_8U, 3 );
IplImage* target_hue=cvCreateImage( cvGetSize(target), IPL_DEPTH_8U, 3 );
cvCvtColor(target,target_hsv,CV_BGR2HSV);       // 转化到HSV 空间
cvSplit( target_hsv, target_hue, NULL, NULL, NULL );    // 获得H 分量
2. 计算H 分量的直方图，即1D 直方图：
IplImage* h_plane=cvCreateImage( cvGetSize(target_hsv),IPL_DEPTH_8U,1 );
int hist_size[]={255};          // 将H 分量的值量化到[0,255]
float* ranges[]={ {0,360} };    //H 分量的取值范围是[0,360)
CvHistogram* hist=cvCreateHist(1, hist_size, ranges, 1);
cvCalcHist(&target_hue, hist, 0, NULL);
在这里需要考虑H 分量的取值范围的问题 ，H 分量的取值范围是[0,360), 这个取值范围的值不能用一个byte 来表示，为了能用一个  byte 表示，需要将H 值做适当的量化处理, 在这里我们将H 分量的范围量化到[0,255].
4. 计算Back Projection ：
IplImage* rawImage;
//----------------------------------------------
//get from video frame,unsigned byte,one channel
//----------------------------------------------
IplImage* result=cvCreateImage(cvGetSize(rawImage),IPL_DEPTH_8U,1);
cvCalcBackProject(&rawImage,result,hist);
5. 结果：result 即为我们需要的.

2.Mean Shift:

CamShift 算法，OpenCV 实现2 －Mean Shift 算法 
这里来到了CamShift 算法，OpenCV 实现的第二部分，这一次重点讨论Mean Shift 算法。
在讨论Mean Shift 算法之前，首先讨论在2D 概率分布图像中，如何计算某个区域的重心(Mass Center) 的问题，重心可以通过以下公式来计算：
1. 计算区域内0 阶矩
for(int i=0;i<height;i++)
for(int j=0;j<width;j++)
     M00+=I(i,j)
2. 区域内1 阶矩：
for(int i=0;i<height;i++)
for(int j=0;j<width;j++)
{
    M10+=i*I(i,j);
    M01+=j*I(i,j);
}
3. 则Mass Center 为：
Xc=M10/M00; Yc=M01/M00
接下来，讨论Mean Shift 算法的具体步骤，Mean Shift 算法可以分为以下4 步：
1. 选择窗的大小和初始位置.
2. 计算此时窗口内的Mass Center.
3. 调整窗口的中心到Mass Center.
4. 重复2 和3 ，直到窗口中心" 会聚" ，即每次窗口移动的距离小于一定的阈值。

在OpenCV 中，提供Mean Shift 算法的函数，函数的原型是：
int cvMeanShift(IplImage* imgprob,CvRect windowIn,
                    CvTermCriteria criteria,CvConnectedComp* out);

需要的参数为：
1.IplImage* imgprob ：2D 概率分布图像，传入；
2.CvRect windowIn ：初始的窗口，传入；
3.CvTermCriteria criteria ：停止迭代的标准，传入；
4.CvConnectedComp* out: 查询结果，传出。
( 注：构造CvTermCriteria 变量需要三个参数，一个是类型，另一个是迭代的最大次数，最后一个表示特定的阈值。例如可以这样构造criteria ：criteria=cvTermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS,10,0.1) 。)

返回的参数：
1.int ：迭代的次数。

实现代码：暂时缺

3.CamShift:

CamShift 算法,OpenCV 实现(3):CamShift 算法

1. 原理
在了解了MeanShift 算法以后，我们将MeanShift 算法扩展到连续图像序列（一般都是指视频图像序列），这样就形成了CamShift 算法。CamShift 算法的全称是"Continuously Apaptive Mean-SHIFT" ，它的基本思想是视频图像的所有帧作MeanShift 运算，并将上一帧的结果（即Search Window 的中心和大小）作为下一帧MeanShift 算法的Search Window 的初始值，如此迭代下去，就可以实现对目标的跟踪。整个算法的具体步骤分5 步：
Step 1 ：将整个图像设为搜寻区域。
Step 2 ：初始话Search Window 的大小和位置。
Step 3 ：计算Search Window 内的彩色概率分布，此区域的大小比Search Window 要稍微大一点。
Step 4 ：运行MeanShift 。获得Search Window 新的位置和大小。
Step 5 ：在下一帧视频图像中，用Step 3 获得的值初始化Search Window 的位置和大小。跳转到Step 3 继续运行。

2. 实现
在OpenCV 中，有实现CamShift 算法的函数，此函数的原型是：
cvCamShift(IplImage* imgprob, CvRect windowIn, 
                CvTermCriteria criteria, 
                CvConnectedComp* out, CvBox2D* box=0);
其中：
   imgprob ：色彩概率分布图像。
   windowIn ：Search Window 的初始值。
   Criteria ：用来判断搜寻是否停止的一个标准。
   out ：保存运算结果, 包括新的Search Window 的位置和面积。
   box ：包含被跟踪物体的最小矩形。

说明：
1. 在OpenCV 3.1 beta 的目录中，有CamShift 的例子。遗憾的是这个例子目标的跟踪是半自动的，即需要人手工选定一个目标。我正在努力尝试全自动的目标跟踪，希望 可以和大家能在这方面与大家交流。（已经实现自动的东西）

上面的文字有大部分是来自与网络。经过个人组织后发布。如有侵权请通知我。^_^