目標(biāo)檢測(cè)卖毁、目標(biāo)跟蹤和目標(biāo)計(jì)數(shù) 三步驟

目標(biāo)檢測(cè)：使用YOLO（You only look once）和resnet模型識(shí)別目標(biāo)诚撵；

主要參考：從YOLOv1到Y(jié)OLOv3柳恐，目標(biāo)檢測(cè)的進(jìn)化之路?YOLO文章詳細(xì)解讀?

目標(biāo)跟蹤：使用親和力矩陣（質(zhì)心跟蹤算法）都许、巴氏系數(shù)

目標(biāo)計(jì)數(shù)：全局實(shí)時(shí)跨線統(tǒng)計(jì)塞绿。

本文對(duì)識(shí)別算法不做具體介紹，上面參考文檔可以幫你了解你想知道的算法原理。主要對(duì)目標(biāo)跟蹤做詳細(xì)介紹分蓖，這一塊算然核心很明顯就是跟蹤，但具體到實(shí)際就麻煩了尔许，具體跟著我的思路來了解吧么鹤；

運(yùn)動(dòng)目標(biāo)跟蹤主流算法大致分類

主要基于兩種思路：

1、不依賴于先驗(yàn)知識(shí)味廊，直接從圖像序列中檢測(cè)到運(yùn)動(dòng)目標(biāo)蒸甜，并進(jìn)行目標(biāo)識(shí)別，最終跟蹤感興趣的運(yùn)動(dòng)目標(biāo)余佛；

識(shí)別一類目標(biāo)（船）

2柠新、依賴于目標(biāo)的先驗(yàn)知識(shí)，首先為運(yùn)動(dòng)目標(biāo)建模辉巡，然后在圖像序列中實(shí)時(shí)找到相匹配的運(yùn)動(dòng)目標(biāo)恨憎。

識(shí)別具體目標(biāo)（張三，或者具體一類中一個(gè)型號(hào)（帆船））

一．運(yùn)動(dòng)目標(biāo)檢測(cè)

對(duì)于不依賴先驗(yàn)知識(shí)的目標(biāo)跟蹤來講郊楣，運(yùn)動(dòng)檢測(cè)是實(shí)現(xiàn)跟蹤的第一步憔恳。運(yùn)動(dòng)檢測(cè)即為從序列圖像中將變化區(qū)域從背景圖像中提取出來。運(yùn)動(dòng)目標(biāo)檢測(cè)的算法依照目標(biāo)與攝像機(jī)之間的關(guān)系可以分為靜態(tài)背景下運(yùn)動(dòng)檢測(cè)和動(dòng)態(tài)背景下運(yùn)動(dòng)檢測(cè)净蚤。

（一）靜態(tài)背景

1.背景差

2.幀差

3.GMM

4.光流

背景減算法可以對(duì)背景的光照變化钥组、噪聲干擾以及周期性運(yùn)動(dòng)等進(jìn)行建模，在各種不同情況下它都可以準(zhǔn)確地檢測(cè)出運(yùn)動(dòng)目標(biāo)今瀑。因此對(duì)于固定攝像頭的情形程梦，目前大多數(shù)的跟蹤算法中都采用背景減算法來進(jìn)行目標(biāo)檢測(cè)。背景減算法的局限性在于它需要一個(gè)靜態(tài)的固定攝像頭橘荠。

（二）運(yùn)動(dòng)場(chǎng)

通常情況下屿附，攝像機(jī)的運(yùn)動(dòng)形式可以分為兩種：

1、攝像機(jī)的支架固定砾医，但攝像機(jī)可以偏轉(zhuǎn)拿撩、俯仰以及縮放;?

2、將攝像機(jī)裝在某個(gè)移動(dòng)的載體上如蚜。由于以上兩種情況下的背景及前景圖像都在做全局運(yùn)動(dòng)压恒，要準(zhǔn)確檢測(cè)運(yùn)動(dòng)目標(biāo)的首要任務(wù)是進(jìn)行圖像的全局運(yùn)動(dòng)估計(jì)與補(bǔ)償。

考慮到圖像幀上各點(diǎn)的全局運(yùn)動(dòng)矢量雖不盡相同 (攝像機(jī)做平移運(yùn)動(dòng)除外 )错邦，但它們均是在同一攝像機(jī)模型下的運(yùn)動(dòng)探赫，因而應(yīng)遵循相同的運(yùn)動(dòng)模型，可以用同一模型參數(shù)來表示撬呢。

全局運(yùn)動(dòng)的估計(jì)問題就被歸結(jié)為全局運(yùn)動(dòng)模型參數(shù)的估計(jì)問題伦吠，通常使用塊匹配法或光流估計(jì)法來進(jìn)行運(yùn)動(dòng)參數(shù)的估計(jì)。

塊匹配

基于塊的運(yùn)動(dòng)估算和補(bǔ)償可算是最通用的算法∶牵可以將圖像分割成不同的圖像塊搁嗓，假定同一圖像小塊上的運(yùn)動(dòng)矢量是相同的，通過像素域搜索得到最佳的運(yùn)動(dòng)矢量估算箱靴。塊匹配法主要有如下三個(gè)關(guān)鍵技術(shù)：

a)匹配法則腺逛，如最大相關(guān)、最小誤差等

b)搜索方法衡怀，如三步搜索法棍矛、交叉搜索法等。

c) 塊大小的確定抛杨，如分級(jí)够委、自適應(yīng)等。

光流估計(jì)法

光流估計(jì)的方法都是基于以下假設(shè)：圖像灰度分布的變化完全是目標(biāo)或者場(chǎng)景的運(yùn)動(dòng)引起的怖现，也就是說茁帽，目標(biāo)與場(chǎng)景的灰度不隨時(shí)間變化。這使得光流方法抗噪聲能力較差真竖，其應(yīng)用范圍一般局限于目標(biāo)與場(chǎng)景的灰度保持不變這個(gè)假設(shè)條件下脐雪。另外，大多數(shù)的光流計(jì)算方法相當(dāng)復(fù)雜恢共，如果沒有特別的硬件裝置战秋，其處理速度相當(dāng)慢，達(dá)不到實(shí)時(shí)處理的要求讨韭。

二．目標(biāo)跟蹤

運(yùn)動(dòng)目標(biāo)的跟蹤脂信，即通過目標(biāo)的有效表達(dá)，在圖像序列中尋找與目標(biāo)模板最相似候選目標(biāo)區(qū)位置的過程透硝。簡(jiǎn)單說狰闪，就是在序列圖像中為目標(biāo)定位。運(yùn)動(dòng)目標(biāo)的有效表達(dá)除了對(duì)運(yùn)動(dòng)目標(biāo)建模外濒生，目標(biāo)跟蹤中常用到的目標(biāo)特性表達(dá)主要包括視覺特征 (圖像邊緣埋泵、輪廓、形狀罪治、紋理丽声、區(qū)域)、統(tǒng)計(jì)特征 (直方圖觉义、各種矩特征)雁社、變換系數(shù)特征 (傅里葉描繪子、自回歸模型)晒骇、代數(shù)特征 (圖像矩陣的奇異值分解)等霉撵。除了使用單一特征外磺浙，也可通過融合多個(gè)特征來提高跟蹤的可靠性.

相似性度量算法

對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行特性提取之后，需要采用一定的相似性度量算法與幀圖像進(jìn)行匹配徒坡，從而實(shí)現(xiàn)目標(biāo)跟蹤撕氧。圖像處理與分析理論中，常見的相似性度量方法有歐氏距離崭参、街區(qū)距離（曼哈頓距離）呵曹、棋盤距離（切比雪夫距離）、加權(quán)距離何暮、巴特查理亞系數(shù)、Hausdorff距離等铐殃，其中應(yīng)用最多和最簡(jiǎn)單的是歐氏距離海洼。

搜索算法

目標(biāo)跟蹤過程中，直接對(duì)場(chǎng)景中的所有內(nèi)容進(jìn)行匹配計(jì)算富腊，尋找最佳匹配位置坏逢，需要處理大量的冗余信息，這樣運(yùn)算量比較大赘被，而且沒有必要是整。采用一定的搜索算法對(duì)未來時(shí)刻目標(biāo)的位置狀態(tài)進(jìn)行估計(jì)假設(shè)，縮小目標(biāo)搜索范圍便具有了非常重要的意義民假。其中一類比較常用的方法是預(yù)測(cè)運(yùn)動(dòng)體下一幀可能出現(xiàn)的位置浮入，在其相關(guān)區(qū)域內(nèi)尋找最優(yōu)點(diǎn)。常見的預(yù)測(cè)算法有Kalman濾波羊异、擴(kuò)展的Kalman濾波及粒子濾波方法等事秀。

Kalman濾波器是一個(gè)對(duì)動(dòng)態(tài)系統(tǒng)的狀態(tài)序列進(jìn)行線性最小方差估計(jì)的算法。它通過狀態(tài)方程和觀測(cè)方程來描述一個(gè)動(dòng)態(tài)系統(tǒng)野舶，基于系統(tǒng)以前的狀態(tài)序列對(duì)下一個(gè)狀態(tài)作最優(yōu)估計(jì)易迹，預(yù)測(cè)時(shí)具有無偏、穩(wěn)定和最優(yōu)的特點(diǎn)平道，且具有計(jì)算量小睹欲、可實(shí)時(shí)計(jì)算的特點(diǎn)，可以準(zhǔn)確地預(yù)測(cè)目標(biāo)的位置和速度一屋，但其只適合于線性且呈高斯分布的系統(tǒng)窘疮。相對(duì)于卡爾曼濾波算法，粒子濾波器特別適用于非線性陆淀、非高斯系統(tǒng)考余。粒子濾波算法是一種基于蒙特卡洛和貝葉斯估計(jì)理論的最優(yōu)算法，它以遞歸的方式對(duì)測(cè)量數(shù)據(jù)進(jìn)行序貫處理轧苫，因而無須對(duì)以前的測(cè)量數(shù)據(jù)進(jìn)行存儲(chǔ)和再處理楚堤，節(jié)省了大量的存儲(chǔ)空間疫蔓。在跟蹤多形式的目標(biāo)以及在非線性運(yùn)動(dòng)和測(cè)量模型中，粒子濾波器具有極好的魯棒性身冬。

另一類減小搜索范圍的算法是優(yōu)化搜索方向衅胀。均值漂移算法 (Meanshift算法 )、連續(xù)自適應(yīng)均值漂移算法 (Camshift算法 )和置信區(qū)域算法都是利用無參估計(jì)的方法優(yōu)化目標(biāo)模板和候選目標(biāo)距離的迭代收斂過程酥筝，以達(dá)到縮小搜索范圍的目的滚躯。Meanshift算法是利用梯度優(yōu)化方法實(shí)現(xiàn)快速目標(biāo)定位，能夠?qū)Ψ莿傂阅繕?biāo)實(shí)時(shí)跟蹤嘿歌，適合于非線性運(yùn)動(dòng)目標(biāo)的跟蹤掸掏，對(duì)目標(biāo)的變形、旋轉(zhuǎn)等運(yùn)動(dòng)有較好的適用性宙帝。但是 Meanshift算法在目標(biāo)跟蹤過程中沒有利用目標(biāo)在空間中的運(yùn)動(dòng)方向和運(yùn)動(dòng)速度信息丧凤，當(dāng)周圍環(huán)境存在干擾時(shí) (如光線、遮擋 )步脓，容易丟失目標(biāo)愿待。Camshift算法是在Meanshift算法的基礎(chǔ)上，進(jìn)行了一定的擴(kuò)展靴患，結(jié)合目標(biāo)色彩信息形成的一種改進(jìn)的均值漂移算法仍侥。由于目標(biāo)圖像的直方圖記錄的是顏色出現(xiàn)的概率，這種方法不受目標(biāo)形狀變化的影響鸳君，可以有效地解決目標(biāo)變形和部分遮擋的問題农渊，且運(yùn)算效率較高，但該算法在開始前需要由人工指定跟蹤目標(biāo)相嵌。

目標(biāo)跟蹤分類

依據(jù)運(yùn)動(dòng)目標(biāo)的表達(dá)和相似性度量腿时，運(yùn)動(dòng)目標(biāo)跟蹤算法可以分為四類：基于主動(dòng)輪廓的跟蹤、基于特征的跟蹤饭宾、基于區(qū)域的跟蹤和基于模型的跟蹤批糟。跟蹤算法的精度和魯棒性很大程度上取決于對(duì)運(yùn)動(dòng)目標(biāo)的表達(dá)和相似性度量的定義，跟蹤算法的實(shí)時(shí)性取決于匹配搜索策略和濾波預(yù)測(cè)算法看铆。

1徽鼎、基于主動(dòng)輪廓的跟蹤

Kass等人提出的主動(dòng)輪廓模型，即Snake模型弹惦，是在圖像域內(nèi)定義的可變形曲線否淤，通過對(duì)其能量函數(shù)的最小化，動(dòng)態(tài)輪廓逐步調(diào)整自身形狀與目標(biāo)輪廓相一致棠隐，該可變形曲線又稱為Snake曲線石抡。Snake技術(shù)可以處理任意形狀物體的任意形變，首先將分割得到的物體邊界作為跟蹤的初始模板然后確定表征物體真實(shí)邊界的目標(biāo)函數(shù)助泽，并通過降低目標(biāo)函數(shù)值啰扛，使初始輪廓逐漸向物體的真實(shí)邊界移動(dòng)嚎京。

基于主動(dòng)輪廓跟蹤的優(yōu)點(diǎn)是不但考慮來自圖像的灰度信息，而且考慮整體輪廓的幾何信息隐解，增強(qiáng)了跟蹤的可靠性鞍帝。由于跟蹤過程實(shí)際上是解的尋優(yōu)過程，帶來的計(jì)算量比較大煞茫，而且由于 Snake模型的盲目性帕涌，對(duì)于快速運(yùn)動(dòng)的物體或者形變較大的情況，跟蹤效果不夠理想续徽。

2澳盐、基于特征的跟蹤

基于特征匹配的跟蹤方法不考慮運(yùn)動(dòng)目標(biāo)的整體特征挺邀，只通過目標(biāo)圖像的一些顯著特征來進(jìn)行跟蹤漾脂。假定運(yùn)動(dòng)目標(biāo)可以由惟一的特征集合表達(dá)瞎疼，搜索到該相應(yīng)的特征集合就認(rèn)為跟蹤上了運(yùn)動(dòng)目標(biāo)梭稚。除了用單一的特征來實(shí)現(xiàn)跟蹤外撇眯，還可以采用多個(gè)特征信息融合在一起作為跟蹤特征谱仪⌒钏瑁基于特征的跟蹤主要包括特征提取和特征匹配兩個(gè)方面会涎。

(1)特征提取

特征提取是指從景物的原始圖像中提取圖像的描繪特征裹匙，理想的圖像特征應(yīng)具備的特點(diǎn)是：

a)特征應(yīng)具有直觀意義，符合人們的視覺特性;

b)特征應(yīng)具備較好的分類能力末秃，能夠區(qū)分不同的圖像內(nèi)容;

c)特征計(jì)算應(yīng)該相對(duì)簡(jiǎn)單概页，以便于快速識(shí)別;

d)特征應(yīng)具備圖像平移、旋轉(zhuǎn)练慕、尺度變化等不變性惰匙。

目標(biāo)跟蹤中常用的運(yùn)動(dòng)目標(biāo)的特征主要包括顏色、紋理铃将、邊緣项鬼、塊特征、光流特征劲阎、周長(zhǎng)绘盟、面積、質(zhì)心悯仙、角點(diǎn)等龄毡。提取對(duì)尺度伸縮、形變和亮度變化不敏感的有效特征至今仍是圖像處理研究領(lǐng)域中一個(gè)比較活躍的方面锡垄。

(2)特征匹配

特征提取的目的是進(jìn)行幀間目標(biāo)特征的匹配沦零，并以最優(yōu)匹配來跟蹤目標(biāo)。常見的基于特征匹配的跟蹤算法有基于二值化目標(biāo)圖像匹配的跟蹤货岭、基于邊緣特征匹配或角點(diǎn)特征匹配的跟蹤路操、基于目標(biāo)灰度特征匹配的跟蹤疾渴、基于目標(biāo)顏色特征匹配的跟蹤等。

基于特征的跟蹤算法的優(yōu)點(diǎn)在于對(duì)運(yùn)動(dòng)目標(biāo)的尺度寻拂、形變和亮度等變化不敏感程奠，即使目標(biāo)的某一部分被遮擋，只要還有一部分特征可以被看到祭钉，就可以完成跟蹤任務(wù)瞄沙；另外，這種方法與 Kalman濾波器聯(lián)合使用慌核，也具有很好的跟蹤效果距境。但是其對(duì)于圖像模糊、噪聲等比較敏感垮卓，圖像特征的提取效果也依賴于各種提取算子及其參數(shù)的設(shè)置垫桂，此外，連續(xù)幀間的特征對(duì)應(yīng)關(guān)系也較難確定粟按，尤其是當(dāng)每一幀圖像的特征數(shù)目不一致诬滩、存在漏檢、特征增加或減少等情況灭将。

3疼鸟、基于區(qū)域的跟蹤

基于區(qū)域的跟蹤算法基本思想是：

1、得到包含目標(biāo)的模板庙曙，該模板可通過圖像分割獲得或預(yù)先人為確定空镜，模板通常為略大于目標(biāo)的矩形，也可為不規(guī)則形狀;

2捌朴、在序列圖像中吴攒，運(yùn)用相關(guān)算法跟蹤目標(biāo)。

這種算法的優(yōu)點(diǎn)在于當(dāng)目標(biāo)未被遮擋時(shí)砂蔽，跟蹤精度非常高洼怔、跟蹤非常穩(wěn)定。但其缺點(diǎn)首先是費(fèi)時(shí)察皇，當(dāng)搜索區(qū)域較大時(shí)情況尤其嚴(yán)重;其次茴厉，算法要求目標(biāo)變形不大，且不能有太大遮擋什荣，否則相關(guān)精度下降會(huì)造成目標(biāo)的丟失矾缓。近年來，對(duì)基于區(qū)域的跟蹤方法關(guān)注較多的是如何處理模板變化時(shí)的情況稻爬，這種變化是由運(yùn)動(dòng)目標(biāo)姿態(tài)變化引起的嗜闻，如果能正確預(yù)測(cè)目標(biāo)的姿態(tài)變化，則可實(shí)現(xiàn)穩(wěn)定跟蹤桅锄。

4琉雳、基于模型的跟蹤

基于模型的跟蹤是通過一定的先驗(yàn)知識(shí)對(duì)所跟蹤目標(biāo)建立模型样眠，然后通過匹配跟蹤目標(biāo)進(jìn)行模型的實(shí)時(shí)更新。對(duì)于剛體目標(biāo)來說翠肘，其運(yùn)動(dòng)狀態(tài)變換主要是平移檐束、旋轉(zhuǎn)等，可以利用該方法實(shí)現(xiàn)目標(biāo)跟蹤束倍。但是實(shí)際應(yīng)用中跟蹤的不僅僅是剛體被丧，還有一大部分是非剛體，目標(biāo)確切的幾何模型不容易得到绪妹。

這種方法不易受觀測(cè)視角的影響甥桂，具有較強(qiáng)的魯棒性，模型匹配跟蹤精度高邮旷，適合于機(jī)動(dòng)目標(biāo)的各種運(yùn)動(dòng)變化黄选，抗干擾能力強(qiáng)，但由于計(jì)算分析復(fù)雜婶肩、運(yùn)算速度慢办陷，模型的更新較為復(fù)雜，實(shí)時(shí)性較差律歼。準(zhǔn)確建立運(yùn)動(dòng)模型是模型匹配能否成功的關(guān)鍵

1.區(qū)域與區(qū)域匹配

這種算法的優(yōu)點(diǎn)在于當(dāng)目標(biāo)未被遮擋時(shí)懂诗，跟蹤精度非常高，跟蹤非常穩(wěn)定苗膝。但其缺點(diǎn)首先是費(fèi)時(shí)，當(dāng)搜索區(qū)域較大時(shí)情況尤其嚴(yán)重植旧；其次辱揭，算法要求目標(biāo)變形不大，且不能有太大遮擋病附，否則相關(guān)精度下降會(huì)造成目標(biāo)的丟失问窃。

2.特征點(diǎn)（關(guān)鍵點(diǎn)）跟蹤

KLT：Shi和Tomasi 在1994年提出的KLT 跟蹤算法是一種被廣泛應(yīng)用的基于特征點(diǎn)跟蹤算法。由于特征點(diǎn)分布在整個(gè)目標(biāo)上完沪，因此即使有一部分被遮擋域庇，仍然可以跟蹤到另外一部分特征點(diǎn)，這也是基于特征點(diǎn)跟蹤算法的優(yōu)點(diǎn)覆积。

基于特征點(diǎn)的跟蹤算法中听皿，比較困難的問題是當(dāng)目標(biāo)發(fā)生旋轉(zhuǎn)或者被遮擋時(shí)，如何準(zhǔn)確地完成特征點(diǎn)的提取宽档、保存尉姨、刪除等工作

3.基于主動(dòng)輪廓的跟蹤算法

主動(dòng)輪廓模型也稱為Snake 模型，這種方法能較精確地跟蹤上目標(biāo)的輪廓吗冤。Snake 模型非常適合可變形目標(biāo)的跟蹤又厉，如對(duì)運(yùn)動(dòng)細(xì)胞的跟蹤九府。這種模型與卡爾曼濾波相結(jié)合能夠更好地進(jìn)行跟蹤。Snake模型比較適合單目標(biāo)的跟蹤覆致，對(duì)于多目標(biāo)跟蹤更多地是采用基于水平集(Level Set)方法的主動(dòng)輪廓模型

4.光流

Lucas-Kanade稀疏光流calcOpticalFlowPyrLK（利用金字塔）

Horn-Schunck稠密光流calcOpticalFlowHS

稠密光流需要很大的計(jì)算量侄旬，OpenCV中對(duì)此方法做了簡(jiǎn)化，即對(duì)前后連續(xù)幀的一個(gè)像素的鄰域進(jìn)行匹配煌妈，這種方法叫塊匹配儡羔。

稀疏光流需要在跟蹤之前指定一組點(diǎn)，如果這些點(diǎn)具有某些明顯特征声旺，那么跟蹤就會(huì)相對(duì)穩(wěn)定和可靠笔链。可見腮猖，其運(yùn)算量比稠密光流要小很多鉴扫。

首先利用goodFeaturesToTrack函數(shù)得到圖像中的強(qiáng)邊界作為跟蹤的特征點(diǎn)，接下來要調(diào)用calcOpticalFlowPyrLK函數(shù)澈缺，輸入兩幅連續(xù)的圖像坪创，并在第一幅圖像里選擇一組特征點(diǎn)，輸出為這組點(diǎn)在下一幅圖像中的位置姐赡。再把得到的跟蹤結(jié)果過濾一下莱预，去掉不好的特征點(diǎn)。再把特征點(diǎn)的跟蹤路徑標(biāo)示出來项滑。

（實(shí)際效果一般）

5.mean-shift和 camshift

Mean-shift優(yōu)缺點(diǎn)

meanShift算法用于視頻目標(biāo)跟蹤時(shí)依沮，采用目標(biāo)的顏色直方圖作為搜索特征，通過不斷迭代meanShift向量使得算法收斂于目標(biāo)的真實(shí)位置枪狂，從而達(dá)到跟蹤的目的危喉。

傳統(tǒng)的meanShift算法在跟蹤中有幾個(gè)優(yōu)勢(shì)：

（1）算法計(jì)算量不大，在目標(biāo)區(qū)域已知的情況下完全可以做到實(shí)時(shí)跟蹤州疾；

（2）采用核函數(shù)直方圖模型辜限，對(duì)邊緣遮擋、目標(biāo)旋轉(zhuǎn)严蓖、變形和背景運(yùn)動(dòng)不敏感薄嫡。

同時(shí)，meanShift算法也存在著以下一些缺點(diǎn)：

（1）缺乏必要的模板更新颗胡；

（2）跟蹤過程中由于窗口寬度大小保持不變毫深，當(dāng)目標(biāo)尺度有所變化時(shí)，跟蹤就會(huì)失敹疽獭费什；

（3）當(dāng)目標(biāo)速度較快時(shí)，跟蹤效果不好；

（4）直方圖特征在目標(biāo)顏色特征描述方面略顯匱乏鸳址，缺少空間信息瘩蚪；

由于其計(jì)算速度快，對(duì)目標(biāo)變形和遮擋有一定的魯棒性稿黍，所以疹瘦，在目標(biāo)跟蹤領(lǐng)域，meanShift算法目前依然受到大家的重視巡球。但考慮到其缺點(diǎn)言沐，在工程實(shí)際中也可以對(duì)其作出一些改進(jìn)和調(diào)整；例如：

（1）引入一定的目標(biāo)位置變化的預(yù)測(cè)機(jī)制酣栈，從而更進(jìn)一步減少meanShift跟蹤的搜索時(shí)間险胰，降低計(jì)算量；

（2）可以采用一定的方式來增加用于目標(biāo)匹配的“特征”矿筝；

（3）將傳統(tǒng)meanShift算法中的核函數(shù)固定帶寬改為動(dòng)態(tài)變化的帶寬起便；

（4）采用一定的方式對(duì)整體模板進(jìn)行學(xué)習(xí)和更新；

CamShift算法

CamShift算法的全稱是”ContinuouslyAdaptive Mean-SHIFT”窖维，即：連續(xù)自適應(yīng)的MeanShift算法榆综。其基本思想是對(duì)視頻序列的所有圖像幀都作MeanShift運(yùn)算，并將上一幀的結(jié)果（即搜索窗口的中心位置和窗口大兄贰）作為下一幀MeanShift算法的搜索窗口的初始值鼻疮，如此迭代下去。簡(jiǎn)單點(diǎn)說琳轿，meanShift是針對(duì)單張圖片尋找最優(yōu)迭代結(jié)果判沟，而camShift則是針對(duì)視頻序列來處理，并對(duì)該序列中的每一幀圖片都調(diào)用meanShift來尋找最優(yōu)迭代結(jié)果崭篡。正是由于camShift針對(duì)一個(gè)視頻序列進(jìn)行處理水评，從而保證其可以不斷調(diào)整窗口的大小，如此一來媚送，當(dāng)目標(biāo)的大小發(fā)生變化的時(shí)候，該算法就可以自適應(yīng)地調(diào)整目標(biāo)區(qū)域繼續(xù)跟蹤寇甸。

在OpenCV自帶的camShift的例子當(dāng)中塘偎，是通過計(jì)算目標(biāo)在HSV空間下的H分量直方圖，通過直方圖反向投影得到目標(biāo)像素的概率分布拿霉，然后通過調(diào)用OpenCV的CAMSHIFT算法吟秩，自動(dòng)跟蹤并調(diào)整目標(biāo)窗口的中心位置與大小。該算法對(duì)于簡(jiǎn)單背景下的單目標(biāo)跟蹤效果較好绽淘，但如果被跟蹤目標(biāo)與背景顏色或周圍其它目標(biāo)顏色比較接近涵防，則跟蹤效果較差。另外沪铭，由于采用顏色特征壮池，所以它對(duì)被跟蹤目標(biāo)的形狀變化有一定的抵抗能力偏瓤。

OpenCV自帶例子中的camShift算法，可以分為三個(gè)部分：

A椰憋、計(jì)算色彩投影圖（反向投影）：

（1）為了減少光照變化對(duì)目標(biāo)跟蹤的影響厅克，首先將圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間；

（2）對(duì)H分量進(jìn)行直方圖統(tǒng)計(jì)橙依，直方圖代表了不同H分量取值出現(xiàn)的概率证舟，或者說可以據(jù)此查找出H分量的大小為x時(shí)的概率或像素個(gè)數(shù)，即窗骑，得到顏色概率查找表女责；

（3）將圖像中每個(gè)像素的值用其顏色出現(xiàn)的概率進(jìn)行替換，由此得到顏色概率分布圖创译；

以上三個(gè)步驟稱之為反向投影抵知，需要提醒的是，顏色概率分布圖是一個(gè)灰度圖像昔榴；

B辛藻、meanShift尋優(yōu)

前面提到過meanShift算法（http://blog.csdn.net/carson2005/article/details/7337432）是一種非參數(shù)概率密度估計(jì)方法，它通過不斷迭代計(jì)算得到最優(yōu)搜索窗口的位置和大小互订。

C吱肌、camShift跟蹤算法

前面提到，camShift其實(shí)就是在視頻序列的每一幀當(dāng)中都運(yùn)用meanShift仰禽，并將上一幀的meanShift結(jié)果作為下一幀的初始值氮墨，如此不斷循環(huán)迭代，就可以實(shí)現(xiàn)目標(biāo)的跟蹤了吐葵。