opencv之camshift（转来总结）

心已赠人 2021-11-15 12:10 250阅读 0赞

CAMSHIFT全称Continuously Adaptive Mean Shift

该算法考虑了跟踪过程中目标的尺度和方向变化问题。

利用目标的颜色直方图模型将图像转换为颜色概率分布图，初始化一个搜索窗的大小和位置，并根据上一帧得到的结果自适应调整搜索窗口的位置和大小，从而定位出当前图像中目标的中心位置。

Mean Shift与CAMSHIFT算法的相同之处在于，它们都通过一个权值图像进行跟踪，权值最大的地方对应着密度最大处，表示目标可能出现的区域，CAMSHIFT和Mean Shift算法都迭代地收敛到密度最大处。二者的不同之处在于得到权值的方法不同。

把这个算法分解成三个部分，便于理解：  
1) Back Projection计算  
2) Mean Shift算法  
3) CamShift算法  
  
1——Back Projection色彩投影图（反向投影）：  
计算Back Projection的步骤是这样的：  
(1).RGB颜色空间对光照亮度变化较为敏感，为了减少此变化对跟踪效果的影响，首先将图像从RGB空间转换到HSV空间。(2).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。故对其中的H分量作直方图，在直方图中代表了不同H分量值出现的概率或者像素个数，就是说可以查找出H分量大小为h的概率或者像素个数，即得到了颜色概率查找表。(3).将图像中每个像素的值用其颜色出现的概率替换，就得到了颜色概率分布图。这个过程就叫反向投影，颜色概率分布图是一个灰度图像。

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：  
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。

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。

**总结：**

camshift能有效解决目标变形和遮挡的问题，对系统资源要求不高，时间复杂度低，在简单背景下能够取得良好的跟踪效果。但当背景较为复杂，或者有许多与目标颜色相似像素干扰的情况下，会导致跟踪失败。因为它单纯的考虑颜色直方图，忽略了目标的空间分布特性，所以这种情况下需加入对跟踪目标的预测算法。