Camshift算法原理及其Opencv實現

Camshift原理

camshift利用目標的顏色直方圖模型將圖像轉換爲顏色概率分佈圖，初始化一個搜索窗的大小和位置，並根據上一幀得到的結果自適應調整搜索窗口的位置和大小，從而定位出當前圖像中目標的中心位置。

分爲三個部分：
1--色彩投影圖（反向投影）：
(1).RGB顏色空間對光照亮度變化較爲敏感，爲了減少此變化對跟蹤效果的影響，首先將圖像從RGB空間轉換到HSV空間。(2).然後對其中的H分量作直方圖，在直方圖中代表了不同H分量值出現的概率或者像素個數，就是說可以查找出H分量大小爲h的概率或者像素個數，即得到了顏色概率查找表。(3).將圖像中每個像素的值用其顏色出現的概率對替換，就得到了顏色概率分佈圖。這個過程就叫反向投影，顏色概率分佈圖是一個灰度圖像。

2--meanshift
meanshift算法是一種密度函數梯度估計的非參數方法，通過迭代尋優找到概率分佈的極值來定位目標。
算法過程爲：
(1).在顏色概率分佈圖中選取搜索窗W
(2).計算零階距：

計算一階距：

計算搜索窗的質心：

(3).調整搜索窗大小
寬度爲；長度爲1.2s；
(4).移動搜索窗的中心到質心，如果移動距離大於預設的固定閾值，則重複2)3)4)，直到搜索窗的中心與質心間的移動距離小於預設的固定閾值，或者循環運算的次數達到某一最大值，停止計算。關於meanshift的收斂性證明可以google相關文獻。

3--camshift
將meanshift算法擴展到連續圖像序列，就是camshift算法。它將視頻的所有幀做meanshift運算，並將上一幀的結果，即搜索窗的大小和中心，作爲下一幀meanshift算法搜索窗的初始值。如此迭代下去，就可以實現對目標的跟蹤。
算法過程爲：
(1).初始化搜索窗
(2).計算搜索窗的顏色概率分佈（反向投影）
(3).運行meanshift算法，獲得搜索窗新的大小和位置。
(4).在下一幀視頻圖像中用(3)中的值重新初始化搜索窗的大小和位置，再跳轉到(2)繼續進行。

camshift能有效解決目標變形和遮擋的問題，對系統資源要求不高，時間複雜度低，在簡單背景下能夠取得良好的跟蹤效果。但當背景較爲複雜，或者有許多與目標顏色相似像素干擾的情況下，會導致跟蹤失敗。因爲它單純的考慮顏色直方圖，忽略了目標的空間分佈特性，所以這種情況下需加入對跟蹤目標的預測算法。

---

Camshift的opencv實現

原文http://blog.csdn.net/houdy/archive/2004/11/10/175739.aspx

1--Back Projection
計算Back Projection的OpenCV代碼。
(1).準備一張只包含被跟蹤目標的圖片，將色彩空間轉化到HSI空間，獲得其中的H分量：
IplImage* target=cvLoadImage("target.bmp",-1);  //裝載圖片
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);       //轉化到HSV空間
cvSplit( target_hsv, target_hue, NULL, NULL, NULL );    //獲得H分量

(2).計算H分量的直方圖，即1D直方圖：
IplImage* h_plane=cvCreateImage( cvGetSize(target_hsv),IPL_DEPTH_8U,1 );
int hist_size[]={255};          //將H分量的值量化到[0,255]
float* ranges[]={ {0,360} };    //H分量的取值範圍是[0,360)
CvHistogram* hist=cvCreateHist(1, hist_size, ranges, 1);
cvCalcHist(&target_hue, hist, 0, NULL);
在這裏需要考慮H分量的取值範圍的問題，H分量的取值範圍是[0,360)，這個取值範圍的值不能用一個byte來表示，爲了能用一個byte表示，需要將H值做適當的量化處理，在這裏我們將H分量的範圍量化到[0,255]。

(3).計算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);
(4). result即爲我們需要的.

2--Mean Shift算法
質心可以通過以下公式來計算：
(1).計算區域內0階矩
for(int i=0;i< height;i++)
for(int j=0;j< width;j++)
M00+=I(i,j)

(2).區域內1階矩：
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).則Mass Center爲：
Xc=M10/M00; Yc=M01/M00

在OpenCV中，提供Mean Shift算法的函數，函數的原型是：
int cvMeanShift(IplImage* imgprob,CvRect windowIn,
CvTermCriteria criteria,CvConnectedComp* out);
需要的參數爲：
(1).IplImage* imgprob：2D概率分佈圖像，傳入；
(2).CvRect windowIn：初始的窗口，傳入；
(3).CvTermCriteria criteria：停止迭代的標準，傳入；
(4).CvConnectedComp* out:查詢結果，傳出。
注：構造CvTermCriteria變量需要三個參數，一個是類型，另一個是迭代的最大次數，最後一個表示特定的閾值。例如可以這樣構造 criteria：
criteria=cvTermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS,10,0.1)。

3--CamShift算法
整個算法的具體步驟分5步：
Step 1：將整個圖像設爲搜尋區域。
Step 2：初始話Search Window的大小和位置。
Step 3：計算Search Window內的彩色概率分佈，此區域的大小比Search Window要稍微大一點。
Step 4：運行MeanShift。獲得Search Window新的位置和大小。
Step 5：在下一幀視頻圖像中，用Step 3獲得的值初始化Search Window的位置和大小。跳轉到Step 3繼續運行。

OpenCV代碼：
在OpenCV中，有實現CamShift算法的函數，此函數的原型是：
cvCamShift(IplImage* imgprob, CvRect windowIn,
CvTermCriteria criteria,
CvConnectedComp* out, CvBox2D* box=0);
其中：
imgprob：色彩概率分佈圖像。
windowIn：Search Window的初始值。
Criteria：用來判斷搜尋是否停止的一個標準。
out：保存運算結果,包括新的Search Window的位置和麪積。
box：包含被跟蹤物體的最小矩形。

更多參考：

帶有註釋的camshift算法的opencv實現代碼見：
http://download.csdn.net/source/1663015