CamShift 目標跟蹤演算法研究（轉）
CamShift演算法：
CamShift演算法，即"Continuously Apative Mean-Shift"演算法，是一種運動跟蹤演算法。它主要通過視訊影象中運動物體的顏色資訊來達到跟蹤的目的。
我把這個演算法分解成三個部分，便於理解：
1) Back Projection（背景放映）計算
2) Mean Shift（平均轉換）演算法
3) CamShift演算法
（注意：上面的翻譯純屬個人理解！）
1）Back Projection:
計算Back Projection的步驟是這樣的：
1. 計算被跟蹤目標的色彩直方圖。在各種色彩空間中，只有HSI空間(或與HSI類似的色彩空間)中的H分量可以表示顏色資訊。所以在具體的計算過程中，首先將其他的色彩空間的值轉化到HSI空間，然後會其中的H分量做1D直方圖計算。
2. 根據獲得的色彩直方圖將原始影象轉化成色彩概率分佈圖像，這個過程就被稱作"Back Projection"。
在OpenCV中的直方圖函式中，包含Back Projection的函式，函式原型是：
void cvCalcBackProject(IplImage** img, CvArr** backproject, const CvHistogram* hist);
傳遞給這個函式的引數有三個：
1. IplImage** img:存放原始影象，輸入。
2. CvArr** backproject:存放Back Projection結果，輸出。
3. CvHistogram* hist:存放直方圖，輸入
下面就給出計算Back Projection的OpenCV程式碼。
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);
在這裡需要考慮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，為了能用一個byte表示，需要將H值做適當的量化處理,在這裡我們將H分量的範圍量化到[0,255].
4.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);
5.結果：result即為我們需要的.
2.Mean Shift:
CamShift演算法，OpenCV實現2－Mean Shift演算法
這裡來到了CamShift演算法，OpenCV實現的第二部分，這一次重點討論Mean Shift演算法。
在討論Mean Shift演算法之前，首先討論在2D概率分佈圖像中，如何計算某個區域的重心(Mass Center)的問題，重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為：
Xc=M10/M00; Yc=M01/M00
接下來，討論Mean Shift演算法的具體步驟，Mean Shift演算法可以分為以下4步：
1.選擇窗的大小和初始位置.
2.計算此時視窗內的Mass Center.
3.調整視窗的中心到Mass Center.
4.重複2和3，直到視窗中心"會聚"，即每次視窗移動的距離小於一定的閾值。
在OpenCV中，提供Mean Shift演算法的函式，函式的原型是：
int cvMeanShift(IplImage* imgprob,CvRect windowIn,
CvTermCriteria criteria,CvConnectedComp* out);
需要的引數為：
1.IplImage* imgprob：2D概率分佈圖像，傳入；
2.CvRect windowIn：初始的視窗，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變數需要三個引數，一個是型別，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)。)
返回的引數：
1.int：迭代的次數。
實現程式碼：暫時缺
3.CamShift:
CamShift演算法,OpenCV實現(3):CamShift演算法
1.原理
在瞭解了MeanShift演算法以後，我們將MeanShift演算法擴充套件到連續影象序列（一般都是指視訊影象序列），這樣就形成了CamShift演算法。CamShift演算法的全稱是"Continuously Apaptive Mean-SHIFT"，它的基本思想是視訊影象的所有幀作MeanShift運算，並將上一幀的結果（即Search
Window的中心和大小）作為下一幀MeanShift演算法的Search Window的初始值，如此迭代下去，就可以實現對目標的跟蹤。整個演算法的具體步驟分5步：
Step 1：將整個影象設為搜尋區域。
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：執行MeanShift。獲得Search Window新的位置和大小。
Step 5：在下一幀視訊影象中，用Step 3獲得的值初始化Search Window的位置和大小。跳轉到Step 3繼續執行。
2.實現
在OpenCV中，有實現CamShift演算法的函式，此函式的原型是：
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：儲存運算結果,包括新的Search Window的位置和麵積。
box：包含被跟蹤物體的最小矩形。
說明：
1.在OpenCV 3.1 beta的目錄中，有CamShift的例子。遺憾的是這個例子目標的跟蹤是半自動的，即需要人手工選定一個目標。我正在努力嘗試全自動的目標跟蹤，希望可以和大家能在這方面與大家交流。（已經實現自動的東西）