meanshift算法工作进度.doc

工作进度： 仔细阅读了一个运用OpenCV中CamShift算法编写的视频跟踪程序，对整个项目的程序框架有了整体的感知。具体程序见附件“camshiftdemo.c”对其进行了更详细的注解。 2.现正在进一步学习manshift算法；主要方式是OpenCV中CvFuzzyMeanShiftTracker.cpp源程序和文献中MeanShift相关的数学公式结合，深刻学习MeanShift的原理和思想。但是我遇到了问题就是数学公式需要扎实概率论的基础。所以这方面工作比预期的计划安排推迟半周。 这是meanshift用的数学计算流程： 目标函数:最大的Bha相似系数。? 输入：目标的颜色概率分布q(u)及初始位置y0 步骤： 1、依据初始位置y0，计算y0处的侯选目标的概率分布p(y0)以及Bha?相似系数[p(y0),q(u)]； 2、依据公式计算 权重wi； 3、?依据公式计算新的位置y1； 4、?计算y1处的侯选目标的概率分布p(y1)以及Bha?相似系数[p(y1),q(u)]；如果[p(y1),q(u)][p(y0),q(u)],则y1=1/2(y0+y1);再重新计算。 5、如果|y1-y0|c,则迭代结束,否则y0=y1,跳到第1步继续进行。 其中， 第2步wi的计算,是 由于将目标函数按泰勒级数展开后,舍弃二级(包含)以上的高阶,而得到的一个系数。 第3步是 meanshift迭代的一个表达式。 第4步是为了保证Bha?相似系数始终增大，而且据Meer论文中提到在实际测试过程中,只有小于0.1%的概率会出现Bha?相似系数情况所以有时也可省略。目标函数:最大的Bha相似系数。? 输入：目标的颜色概率分布q(u)及初始位置y0 步骤： 1、依据初始位置y0，计算y0处的侯选目标的概率分布p(y0)以及Bha?相似系数[p(y0),q(u)]； 2、依据公式计算 权重wi； 3、?依据公式计算新的位置y1； 4、?计算y1处的侯选目标的概率分布p(y1)以及Bha?相似系数[p(y1),q(u)]；如果[p(y1),q(u)][p(y0),q(u)],则y1=1/2(y0+y1);再重新计算。 5、如果|y1-y0|c,则迭代结束,否则y0=y1,跳到第1步继续进行。 ?其中， 第2步wi的计算,是 由于将目标函数按泰勒级数展开后,舍弃二级(包含)以上的高阶,而得到的一个系数。 第3步是 meanshift迭代的一个表达式。 第4步是为了保证Bha?相似系数始终增大，而且据Meer论文中提到在实际测试过程中,只有小于0.1%的概率会出现Bha?相似系数情况。所以有时也可省略。 ?最近看到一个改进是，利用kalman滤波器对初始点进行预测,然后meanshift进行迭代找到局部最相似的目标,同时对目标运动距离和最大相似性系数进行计算.再利用运动相对距离和最大相似性系数(值小了,可信度就低,表明目标被遮挡了.)对kalman的状态矩阵进行更新.再对目标位置进行下一次的预测,再下一轮的计算. kalman滤波器对初始点进行预测,然后meanshift进行迭代找到局部最相似的目标,同时对目标运动距离和最大相似性系数进行计算.再利用运动相对距离和最大相似性系数(值小了,可信度就低,表明目标被遮挡了.)对kalman的状态矩阵进行更新.再对目标位置进行下一次的预测,再下一轮的计算//对运动物体的跟踪： //如果背景固定,可用帧差法然后在计算下连通域将面积小的去掉即可 //如果背景单一,即你要跟踪的物体颜色和背景色有较大区别可用基于颜色的跟踪如CAMSHIFT 鲁棒性都是较好的 //如果背景复杂,如背景中有和前景一样的颜色就需要用到一些具有预测性的算法如卡尔曼滤波等可以和CAMSHIFT结合 #ifdef _CH_ #pragma package opencv #endif #ifndef _EiC #include cv.h #include highgui.h #include stdio.h #include ctype.h #endif IplImage *image = 0, *hsv = 0, *hue = 0, *mask = 0, *backproject = 0, *histimg = 0; //用HSV中的Hue分量进行跟踪 CvHistogram *hist = 0; //直方图类 int backproject_mode = 0; int select_object = 0; int track_object = 0; int show_hist = 1; CvPoint origin; CvRect selection; CvRect track_window; CvBox2D track_box; //M