基于meanshift算法的图像处理Word文档下载推荐.docx

1、int i, j, opti, optj;SINT16 scale3=-3, 3, 0;FLOAT32 dist, optdist;SINT16 h, w, optX, optY;/try no-scalingFindNextFixScale（frame）;/找出目标的下一个大致范围optdist=LastDist;optX=m_sTrackingObjectTablem_cActiveObject.X;optY=m_sTrackingObjectTablem_cActiveObject.Y;/try one of the 9 possible scalingi=rand（）*2/RAND_M

2、AX;j=rand（）*2/RAND_MAX;h=m_sTrackingObjectTablem_cActiveObject.H;w=m_sTrackingObjectTablem_cActiveObject.W;if（h+scalei10 & w+scalej h+scaleim_nImageHeight/2 & w+scalejm_nImageWidth/2） m_sTrackingObjectTablem_cActiveObject.H=h+scalei; m_sTrackingObjectTablem_cActiveObject.W=w+scalej; FindNextFixScale

3、（frame）; if（ （dist=LastDist） n, dist）; else /no scaling is better m_sTrackingObjectTablem_cActiveObject.X=optX; m_sTrackingObjectTablem_cActiveObject.Y=optY; m_sTrackingObjectTablem_cActiveObject.H=h; m_sTrackingObjectTablem_cActiveObject.W=w;TotalDist+=optdist; /the latest distance）;这里仍然在跟踪的基础上讲解me

4、an shift。首先还是把mean shift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

5、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

6、致。以上为mean shift的数学原理。有关文字的叙述已经在上一篇中提到了。用mean shift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。mean shift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：/*Bilkent University:Mean-shift Tracker based Moving Object Tracker in VideoVersion: 1.0Compil

7、er: Microsoft Visual C+ 6.0 （tested in both debug and release mode）Modified by Mr Zhou*/#include ObjectTracker.hutils.h#include stdio.hstdlib.h/*#define GetRValue（rgb） （UBYTE8） （rgb） #define GetGValue（rgb） （UBYTE8） （ULONG_32） （rgb） 8） #define GetBValue（rgb） （UBYTE8） （rgb） 16） */#define RGB（r, g ,b）

8、（ULONG_32） （UBYTE8） （r） | （UBYTE8） （g） 8） | （ULONG_32） （UBYTE8） （b） 16） #define min（a, b） （a） （b） #define MEANSHIFT_ITARATION_NO 5#define DISTANCE_ITARATION_NO 1#define ALPHA 1#define EDGE_DETECT_TRESHOLD 32/1 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

9、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（INT32 imW,INT32 imH,IMAGE_TYPE eImageType）m_nImageWidth = imW;m_nImageHeight = imH;m_eIMAGE_TYPE = eImageType;m_cSkipValue = 0;for （UBYTE8 i=0;iMAX_O

10、BJECT_TRACK_NUMBER;i+）/初始化各个目标 m_sTrackingObjectTablei.Status = false; for（SINT16 j=0;jHISTOGRAM_LENGTH;j+） m_sTrackingObjectTablei.initHistogramj = 0;m_nFrameCtr = 0;m_uTotalTime = 0;m_nMaxEstimationTime = 0;m_cActiveObject = 0;TotalDist=0.0;LastDist=0.0;switch （eImageType） case MD_RGBA: m_cSkipVal

11、ue = 4 ;break ; case MD_RGB:m_cSkipValue = 3 ; break ;CObjectTracker（）/returns pixel values in format |0|B|G|R| wrt to （x.y）ULONG_32 CObjectTracker:GetPixelValues（UBYTE8 *frame,SINT16 x,SINT16 y）ULONG_32 pixelValues = 0;pixelValues = *（frame+（y*m_nImageWidth+x）*m_cSkipValue+2）|/0BGR *（frame+（y*m_nIm

12、ageWidth+x）*m_cSkipValue+1） 8| *（frame+（y*m_nImageWidth+x）*m_cSkipValue） 8） &/ *（frame+（y*m_nImageWidth+x）*m_cSkipValue） = UBYTE8（pixelValues 16） &/setpix32fsetpix8c（r, y, x, UBYTE8（pixelValues & 0xFF）;setpix8c（g, y, x, UBYTE8（pixelValues setpix8c（b, y, x, UBYTE8（pixelValues / returns box color GetB

13、oxColor（）switch（m_cActiveObject）case 0:pixelValues = RGB（255,0,0）;break;case 1:pixelValues = RGB（0,255,0）;case 2:pixelValues = RGB（0,0,255）;case 3:pixelValues = RGB（255,255,0）;case 4:pixelValues = RGB（255,0,255）;case 5:pixelValues = RGB（0,255,255）;case 6:pixelValues = RGB（255,255,255）;case 7:pixelVa

14、lues = RGB（128,0,128）;case 8:pixelValues = RGB（128,128,0）;case 9:pixelValues = RGB（128,128,128）;case 10:pixelValues = RGB（255,128,0）;case 11:pixelValues = RGB（0,128,128）;case 12:pixelValues = RGB（123,50,10）;case 13:pixelValues = RGB（10,240,126）;case 14:pixelValues = RGB（0,128,255）;case 15:pixelValue

15、s = RGB（128,200,20）;default:/初始化一个目标的参数 ObjectTrackerInitObjectParameters（SINT16 x,SINT16 y,SINT16 Width,SINT16 Height） m_sTrackingObjectTablem_cActiveObject.X = x; m_sTrackingObjectTablem_cActiveObject.Y = y; m_sTrackingObjectTablem_cActiveObject.W = Width; m_sTrackingObjectTablem_cActiveObject.H =

16、 Height; m_sTrackingObjectTablem_cActiveObject.vectorX = 0; m_sTrackingObjectTablem_cActiveObject.vectorY = 0; m_sTrackingObjectTablem_cActiveObject.Status = true; m_sTrackingObjectTablem_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/

17、Extracts the histogram of box/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）SINT16 i = 0;SINT16 x = 0;SINT16 y = 0;UBYTE8 E = 0;UBYTE8 qR = 0,qG

18、 = 0,qB = 0;/ ULONG_32 pixelValues = 0;UINT32 numberOfPixel = 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 ）; /divide color image into separate

19、 planes r, g, b. The exact sequence doesnt matter.for （i=0;i+） /reset all histogram histogrami = 0.0;/for all the pixels in the regionfor （y=max（m_sTrackingObjectTablem_cActiveObject.Y-m_sTrackingObjectTablem_cActiveObject.H/2,0）;y=min（m_sTrackingObjectTablem_cActiveObject.Y+m_sTrackingObjectTablem_

20、cActiveObject.H/2,m_nImageHeight-1）;y+） for （x=max（m_sTrackingObjectTablem_cActiveObject.X-m_sTrackingObjectTablem_cActiveObject.W/2,0）;x=min（m_sTrackingObjectTablem_cActiveObject.X+m_sTrackingObjectTablem_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;/quantize R component qG = （UBYTE8）pixval8c（ g, y, x ）/16;/quantize G component qB = （UBYTE8）pixval8c（ b, y, x ）/16;/quantize B component histogram4096*E+256*q