Meanshift-视频跟踪技术上的应用详解

看了网上的一些介绍，很多都是没有详细的去解释反向投影图的概念，这里我重点记录下这个概念，防止以后用到的时候忘记了

首先记录几个关键的名词

颜色直方图

定义：它所描述的是不同色彩在整幅图像中所占的比例。而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。直方图只包含了该图像中某一颜色值出现的频数，而丢失了某象素所在的空间位置信息，但不同的图像可能有相同的颜色分布，从而就具有相同的直方图，因此直方图与图像是一对多的关系，如将图像划分为若干个子区域，所有子区域的直方图之和等于全图直方图。一般情况下，由于图像上的背景和前景物体颜色分布明显不同，从而在直方图上会出现双峰特性，但背景和前景颜色较为接近的图像不具有这个特性。

HSV颜色空间

定义：这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）

色调（H）：用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。

饱和度(S)：饱和度高，颜色则深而艳.

明度（V）: 明度表示颜色明亮的程度.

Meanshift算法原理：

我们对跟踪目标进行描述，这个描述的意思是：将一开始检测的区域转换为颜色HSV空间，然后得到H（色调）的这个通道的分布直方图，即表示不同颜色出现的频数。我们对下一帧图像中固定一个为跟踪目标区域box同样大小的矩阵，现在我们对这个矩阵中的所有像素点进行分析：在box区域内，我们将box划分为很多个小矩形，每个矩阵的H（色调）的幅值代表该小矩形的颜色分布，我们对一开始检测区域的box内用这些boxsize/n的小矩阵同样的分析，即取该小区域的颜色幅值代表该区域的颜色分布，然后用下列公式：

通过上述公式，我们将BPI（c）就代替该小矩形的直方图幅值，这样就得到了一副反映目标出现的概率灰度图像。

下图是相似度ekesito（c)的相似概率图经过灰度图映射转换为的灰度值，我们就称之为反向投影图。

我在这里一开始一直陷入了思考：颜色直方图如何转化为概率直方图的？

请看下图：

原图中的每个像素点都是经过由RGB转为为HSV的格式的H通道，那么每个像素点的色调（H）饱和度还有很多0-360°的可能性的颜色。所以取颜色直方图中幅度最大的值代表该像素的颜色。具体见上图。

现在我们就得到了一个灰度图图像:

那么上述我解释的和mean-shift有何关联？

首先介绍meanshift算法思想，在视频跟踪技术上的应用

原理：在一堆数据中找到密度极值点。以二维的来说明，meanshift在一堆样本特征点中，任意找一个为圆心，以半径R画一个圆（在opencv中是一个矩形），然后落在这个圆中的所有点和圆心都会对应的一个向量，把所有这些向量相加（注意是向量相加），最终我们只得到一个向量。然后再以这个meanshift向量的终点为圆心，继续上述过程，又可以得到一个meanshift向量。 然后不断地继续这样的过程，我们可以得到很多连续的meanshift向量，这些向量首尾相连，最终得到会在一个地方停下来（即我们说的meanshift算法会收敛），这个地方就是密集的区域，并且亮度大的区域。最后的那个meanshift向量的终点就是最终得到的结果（一个点）。我们找到了这个点后在用原来给目标区域画框box的大小来以这个新的点为中心的同样的大小的框。

再次详解：在生成的灰度图像矩阵中，我们利用meanshift寻找最亮的质点，因为meanshift最后会落在密集高亮的区域里的某一点，可能有人疑问，生成了灰度图后不就行了吗？

这里解释下，从直观的角度来看是可以，但是你需要有个box框的大小来框住目标，你怎么知道这个box框的中心在哪里呢？难道你是以高亮的轮廓为边界来框柱目标吗？我觉得这就是检测了，而不是跟踪，因为你要这么想的话就不会得到meanshift质点的移动轨迹，而得到的只是一个检测结果，作者这里是以质心的概念去确定box框的中心的。

其实我是按上述想法来说服自己的，可是又想了下，如果按我那么想的话：以高亮的轮廓为边界来框柱目标。会有怎样的结果？

我接着说:

上述我们可以提出疑问，也就是最后一句话：同样大小的框给目标区域，万一跟踪的人脸有尺度变化呢？

所以就有了Camshift算法了，这篇paper是继Meanshift（2000cvpr）后的一片WACV（2002）发表的一个paper，CamShift提出的缘由是因为MeanShift由于在目标跟踪过程中在每一帧得到的目标box大小一直不变，对目标的尺度变化不具有鲁棒性，所以由此应运而生，Canshift可以产生自适应大小的目标box。