基于meanshift算法的图像处理Word文档下载推荐.docx
《基于meanshift算法的图像处理Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《基于meanshift算法的图像处理Word文档下载推荐.docx（20页珍藏版）》请在冰豆网上搜索。
{
inti,j,opti,optj;
SINT16scale[3]={-3,3,0};
FLOAT32dist,optdist;
SINT16h,w,optX,optY;
//tryno-scaling
FindNextFixScale（frame）;
//找出目标的下一个大致范围
optdist=LastDist;
optX=m_sTrackingObjectTable[m_cActiveObject].X;
optY=m_sTrackingObjectTable[m_cActiveObject].Y;
//tryoneofthe9possiblescaling
i=rand（）*2/RAND_MAX;
j=rand（）*2/RAND_MAX;
h=m_sTrackingObjectTable[m_cActiveObject].H;
w=m_sTrackingObjectTable[m_cActiveObject].W;
if（h+scale[i]>
10&
&
w+scale[j]>
h+scale[i]<
m_nImageHeight/2&
w+scale[j]<
m_nImageWidth/2）
m_sTrackingObjectTable[m_cActiveObject].H=h+scale[i];
m_sTrackingObjectTable[m_cActiveObject].W=w+scale[j];
FindNextFixScale（frame）;
if（（dist=LastDist）<
optdist）//scalingisbetter
optdist=dist;
//printf（"
Next%f->
\n"
dist）;
else//noscalingisbetter
m_sTrackingObjectTable[m_cActiveObject].X=optX;
m_sTrackingObjectTable[m_cActiveObject].Y=optY;
m_sTrackingObjectTable[m_cActiveObject].H=h;
m_sTrackingObjectTable[m_cActiveObject].W=w;
};
TotalDist+=optdist;
//thelatestdistance
）;
这里仍然在跟踪的基础上讲解meanshift。
首先还是把meanshift的原理用数学公式说一下吧。
1、目标模型，算法采用的是特征值的加权概率分布来描述目标模型。
这应该是模式识别中主要描述目标的模型，不同于自动控制理论中采用的状态方程。
目标模型共m个特征值（可以理解为像素灰度值）
其中X0是窗口中心点向量值（可能为RBG向量或者灰度值），Xi是窗口内第i点向量值。
C为归一化常数，保障q1+q2+q3+……qm=1，H为核函数的带宽向量。
M为特征值的个数，对应于图像处理可以理解为灰度等级划分的个数，从而特征值u为对应的灰度等级。
d函数为脉冲函数，保证只有具有u特征值的像素才对概率分布作出贡献。
从而k函数可以理解为u灰度值的一个加权频数。
2、匹配对象，也采用特征值加权概率分布
其中，Y为匹配对象的中心，Xi是匹配窗口内第i点向量值，Hh为匹配窗口的核函数带宽向量。
Ch为匹配窗口特征向量的归一化常数。
3、匹配对象与目标模型的相似程度，相似函数可采用Bhattacharyya函数
4、匹配过程就是寻找相似函数最大值的寻优过程，Mean-Shift采用的是梯度下降法。
首先将（Y）在
（Y0）附近进行泰勒级数展开，取前两项。
即：
要使得（Y）向最大值迭代，只要Y的搜索方向与梯度方向一致即可，通过求导可得到Y0的梯度方向为：
为权值。
因此如果如下确定Y1，那么Y1-Y0将与梯度方向一致。
以上为meanshift的数学原理。
有关文字的叙述已经在上一篇中提到了。
用meanshift来跟踪属于确定性算法，粒子滤波器属于统计学方法。
meanshift跟踪算法相对于粒子滤波器来说可能实时性更好一些，但是跟踪的准确性在理论上还是略逊于粒子滤波器的。
meanshift跟踪的的实质就是通过对应的模板来确定目标的下一个位置。
通过迭代找到新的中心点（即是目标的新的位置点）。
有关跟踪的code如下所示：
/**********************************************************************
BilkentUniversity:
Mean-shiftTrackerbasedMovingObjectTrackerinVideo
Version:
1.0
Compiler:
MicrosoftVisualC++6.0（testedinbothdebugandrelease
mode）
ModifiedbyMrZhou
**********************************************************************/
#include"
ObjectTracker.h"
utils.h"
#include<
math.h>
stdio.h>
stdlib.h>
/*
#defineGetRValue（rgb）（（UBYTE8）（rgb））
#defineGetGValue（rgb）（（UBYTE8）（（（ULONG_32）（rgb））>
>
8））
#defineGetBValue（rgb）（（UBYTE8）（（rgb）>
16））
*/
//#defineRGB（r,g,b）（（ULONG_32）（（（UBYTE8）（r）|（（UBYTE8）（g）<
<
8））|（（（ULONG_32）（UBYTE8）（b））<
16）））
#definemin（a,b）（（（a）<
（b））?
（a）:
（b））
#definemax（a,b）（（（a）>
（b））
#defineMEANSHIFT_ITARATION_NO5
#defineDISTANCE_ITARATION_NO1
#defineALPHA1
#defineEDGE_DETECT_TRESHOLD32
//////////////////////////////////////////////////
1给定目标的初始位置和尺寸,计算目标在图像中的直方图;
2输入新图像,迭代直到收敛:
计算图像上对应区域的新直方图;
新直方图与目标直方图比较,计算权重;
根据权重,计算图像上对应区域的形心/质心;
根据形心,修正目标位置;
直方图分为两部分,每部分大小4096,
RGB的256*256*256种组合,缩减为16*16*16=4096种组合.
如果目标区域的点是边缘点,则计入直方图的后一部分,
否则计入直方图的前一部分.
CObjectTracker:
CObjectTracker（INT32imW,INT32imH,IMAGE_TYPEeImageType）
m_nImageWidth=imW;
m_nImageHeight=imH;
m_eIMAGE_TYPE=eImageType;
m_cSkipValue=0;
for（UBYTE8i=0;
i<
MAX_OBJECT_TRACK_NUMBER;
i++）//初始化各个目标
m_sTrackingObjectTable[i].Status=false;
for（SINT16j=0;
j<
HISTOGRAM_LENGTH;
j++）
m_sTrackingObjectTable[i].initHistogram[j]=0;
m_nFrameCtr=0;
m_uTotalTime=0;
m_nMaxEstimationTime=0;
m_cActiveObject=0;
TotalDist=0.0;
LastDist=0.0;
switch（eImageType）
caseMD_RGBA:
m_cSkipValue=4;
break;
caseMD_RGB:
m_cSkipValue=3;
break;
~CObjectTracker（）
//returnspixelvaluesinformat|0|B|G|R|wrtto（x.y）
ULONG_32CObjectTracker:
GetPixelValues（UBYTE8*frame,SINT16x,SINT16y）
ULONG_32pixelValues=0;
pixelValues=*（frame+（y*m_nImageWidth+x）*m_cSkipValue+2）|//0BGR
*（frame+（y*m_nImageWidth+x）*m_cSkipValue+1）<
8|
*（frame+（y*m_nImageWidth+x）*m_cSkipValue）<
16;
return（pixelValues）;
}*/
//setRGBcomponentswrtto（x.y）
SetPixelValues（IplImage*r,IplImage*g,IplImage*b,ULONG_32pixelValues,SINT16x,SINT16y）
//*（frame+（y*m_nImageWidth+x）*m_cSkipValue+2）=UBYTE8（pixelValues&
0xFF）;
//*（frame+（y*m_nImageWidth+x）*m_cSkipValue+1）=UBYTE8（（pixelValues>
8）&
//*（frame+（y*m_nImageWidth+x）*m_cSkipValue）=UBYTE8（（pixelValues>
16）&
//setpix32f
setpix8c（r,y,x,UBYTE8（pixelValues&
0xFF））;
setpix8c（g,y,x,UBYTE8（（pixelValues>
setpix8c（b,y,x,UBYTE8（（pixelValues>
//returnsboxcolor
GetBoxColor（）
switch（m_cActiveObject）
case0:
pixelValues=RGB（255,0,0）;
break;
case1:
pixelValues=RGB（0,255,0）;
case2:
pixelValues=RGB（0,0,255）;
case3:
pixelValues=RGB（255,255,0）;
case4:
pixelValues=RGB（255,0,255）;
case5:
pixelValues=RGB（0,255,255）;
case6:
pixelValues=RGB（255,255,255）;
case7:
pixelValues=RGB（128,0,128）;
case8:
pixelValues=RGB（128,128,0）;
case9:
pixelValues=RGB（128,128,128）;
case10:
pixelValues=RGB（255,128,0）;
case11:
pixelValues=RGB（0,128,128）;
case12:
pixelValues=RGB（123,50,10）;
case13:
pixelValues=RGB（10,240,126）;
case14:
pixelValues=RGB（0,128,255）;
case15:
pixelValues=RGB（128,200,20）;
default:
//初始化一个目标的参数
ObjectTrackerInitObjectParameters（SINT16x,SINT16y,SINT16Width,SINT16Height）
m_sTrackingObjectTable[m_cActiveObject].X=x;
m_sTrackingObjectTable[m_cActiveObject].Y=y;
m_sTrackingObjectTable[m_cActiveObject].W=Width;
m_sTrackingObjectTable[m_cActiveObject].H=Height;
m_sTrackingObjectTable[m_cActiveObject].vectorX=0;
m_sTrackingObjectTable[m_cActiveObject].vectorY=0;
m_sTrackingObjectTable[m_cActiveObject].Status=true;
m_sTrackingObjectTable[m_cActiveObject].assignedAnObject=false;
//进行一次跟踪
ObjeckTrackerHandlerByUser（IplImage*frame）
//计算目标的初始直方图
//在图像上搜索目标
//Extractsthehistogramofbox
//frame:
图像
//histogram:
直方图
//在图像frame中计算当前目标的直方图histogram
//直方图分为两部分,每部分大小4096,
//RGB的256*256*256种组合,缩减为16*16*16=4096种组合
//如果目标区域的点是边缘点,则计入直方图的后一部分,
//否则计入直方图的前一部分
FindHistogram（IplImage*frame,FLOAT32（*histogram））
SINT16i=0;
SINT16x=0;
SINT16y=0;
UBYTE8E=0;
UBYTE8qR=0,qG=0,qB=0;
//ULONG_32pixelValues=0;
UINT32numberOfPixel=0;
IplImage*r,*g,*b;
r=cvCreateImage（cvGetSize（frame）,frame->
depth,1）;
g=cvCreateImage（cvGetSize（frame）,frame->
b=cvCreateImage（cvGetSize（frame）,frame->
cvCvtPixToPlane（frame,b,g,r,NULL）;
//dividecolorimageintoseparateplanesr,g,b.Theexactsequencedoesn'
tmatter.
for（i=0;
i++）//resetallhistogram
histogram[i]=0.0;
//forallthepixelsintheregion
for（y=max（m_sTrackingObjectTable[m_cActiveObject].Y-m_sTrackingObjectTable[m_cActiveObject].H/2,0）;
y<
=min（m_sTrackingObjectTable[m_cActiveObject].Y+m_sTrackingObjectTable[m_cActiveObject].H/2,m_nImageHeight-1）;
y++）
for（x=max（m_sTrackingObjectTable[m_cActiveObject].X-m_sTrackingObjectTable[m_cActiveObject].W/2,0）;
x<
=min（m_sTrackingObjectTable[m_cActiveObject].X+m_sTrackingObjectTable[m_cActiveObject].W/2,m_nImageWidth-1）;
x++）
//边缘信息:
当前点与上下左右4点灰度差异是否超过阈值
E=CheckEdgeExistance（r,g,b,x,y）;
qR=（UBYTE8）pixval8c（r,y,x）/16;
//quantizeRcomponent
qG=（UBYTE8）pixval8c（g,y,x）/16;
//quantizeGcomponent
qB=（UBYTE8）pixval8c（b,y,x）/16;
//quantizeBcomponent
histogram[4096*E+256*q
升级会员 