基于MeanShift算法的目标跟踪.pdf

基于MeanShift算法的目标跟踪
1算法描述

1.1meanshift算法背景

meanShift这个概念最早是由Fukunage在1975年提出的，Fukunage等人在一篇关于概
率密度梯度函数的估计中提出这一概念。其最初的含义正如其名：偏移的均值向量；但随着
理论的发展，meanShift的含义已经发生了很多变化。如今，我们说的meanShift算法，一般
是指一个迭代的步骤，即先算出当前点的偏移均值，然后以此为新的起始点，继续移动，直
到满足一定的结束条件。
在很长一段时间内，meanShift算法都没有得到足够的重视，直到1995年另一篇重要论
文的发表。该论文的作者YizongCheng定义了一族核函数，使得随着样本与被偏移点的距
离不同，其偏移量对均值偏移向量的贡献也不同。其次，他还设定了一个权重系数，使得不
同样本点的重要性不一样，这大大扩展了meanShift的应用范围。此外，还有研究人员将非
刚体的跟踪问题近似为一个meanShift的最优化问题，使得跟踪可以实时进行。目前，利用
meanShift进行跟踪已经相当成熟。
1.2meanshift算法原理

Meanshift可以应用在很多领域，比如聚类，图像平滑，图像分割，还在目标跟踪领域
有重要的应用。Meanshift跟踪算法是通过计算候选目标与目标模板之间相似度的概率密度
分布，然后利用概率密度梯度下降的方向来获取匹配搜索的最佳路径，加速运动目标的定位
和降低搜索的时间，因此其在目标实时跟踪领域有着很高的应用价值。
该算法由于采用了统计特征，因此对噪声具有很好的鲁棒性；由于是一个蛋参数算法，
容易作为一个模块和其他算法集成；采用核函数直方图建模，对边缘阻挡、目标的旋转、变
形以及背景运动都不敏感；同时该算法构造了一个可以用meanshift算法进行寻优的相似度
函数。Meanshift本质上是最陡下降法，因此其求解过程收敛速度快，使得该算法具有很好
的实用性。
Meanshift算法的思想是利用概率密度的梯度爬升来寻找局部最优。它要做的就是输入
一个在图像的范围，然后一直朝着重心迭代，直到满足你的要求或者达到迭代最大次数结束。
在opencv中，进行meanshift其实很简单，输入一张图像（imgProb），再输入一个开始迭
代的方框（windowIn）和一个迭代条件（criteria），输出的是迭代完成的位置（comp）。
这是函数原型：
intcvMeanShift(constvoid*imgProb,CvRectwindowIn,
CvTermCriteriacriteria,CvConnectedComp*comp)
参数介绍：
imgProb：目标直方图的反向投影
windowIn：初试的搜索框
Criteria：确定搜索窗口的终止条件
Comp：生成的结构，包含收敛的搜索窗口坐标(comp->rect字段)与窗口内部所有像素的
和(comp->area字段)

1.3meanshift算法跟踪目标实现步骤

1.首先从摄像头或者本地文件读入视频
2.选择要跟踪的物体，程序读取一帧视频
3.计算视频帧的色调直方图
4.计算视频帧的反向投影图
5.输入反向投影图和跟踪矩形框，调用meanshift算法迭代，寻找局部最优解。根据重心的
移动，调整跟踪矩形框
6.读取下一帧视频，用当前矩形框作为输入，重复执行步骤2-5

1.4meanshift算法实现过程

1在颜色概率分布图中选取搜索窗W
2计算零阶距：

计算一阶距：

计算搜索窗的质心：

3调整搜索窗大小
宽度为

长度为1.2s
4移动搜索窗的中心到质心，如果移动距离大于预设的固定阈值，则重复2)3)4)，直到搜索
窗的中心与质心间的移动距离小于预设的固定阈值，或者循环运算的次数达到某一最大值，
停止计算。

1.5meanshift算法跟踪效果
使用摄像头跟踪人的肤色效果如图1.5.1所示。

图1.5.1

对应于图1.5.1的反向投影图如下图1.5.2所示。

图1.5.2

点选区域的像素点直方图如图1.5.3所示。

图1.5.3

从以上效果图可以发现，meanshift算法处理的是HSV中的色调分量。换句话说，就是
通过追踪相同的颜色，而达到追踪物体的功能。程序首先计算点选框里的有效像素点，通过
统计获得像素点分布直方图；然后计算出视频的反向投影图，即是像素点的概率分布图。如
上图1.5.2所示，越亮的点就是与原物体越匹配的点，大量的亮点的聚集处就极有可能是需
要跟踪的物体；最后用矩形框框住当前帧中带跟踪的物体，如上图1.5.1所示的结果。

当被跟踪的物体的色调与背景相似时，跟踪就会失效，如图1.5.4所示。