目前在目標(biāo)識(shí)別領(lǐng)域的主流算法分析

本文分析了目前在目標(biāo)識(shí)別領(lǐng)域的主流算法。

運(yùn)動(dòng)目標(biāo)跟蹤主流算法大致分類(lèi)

主要基于兩種思路：

a)不依賴(lài)于先驗(yàn)知識(shí)，直接從圖像序列中檢測(cè)到運(yùn)動(dòng)目標(biāo)，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)；

b)依賴(lài)于目標(biāo)的先驗(yàn)知識(shí)，首先為運(yùn)動(dòng)目標(biāo)建模，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)。

一．運(yùn)動(dòng)目標(biāo)檢測(cè)

對(duì)于不依賴(lài)先驗(yàn)知識(shí)的目標(biāo)跟蹤來(lái)講，運(yùn)動(dòng)檢測(cè)是實(shí)現(xiàn)跟蹤的第一步。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(lái)。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)。

（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、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)。因此對(duì)于固定攝像頭的情形，目前大多數(shù)的跟蹤算法中都采用背景減算法來(lái)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。

（二）運(yùn)動(dòng)場(chǎng)

通常情況下，攝像機(jī)的運(yùn)動(dòng)形式可以分為兩種：a)攝像機(jī)的支架固定，但攝像機(jī)可以偏轉(zhuǎn)、俯仰以及縮放;b)將攝像機(jī)裝在某個(gè)移動(dòng)的載體上。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)，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)，但它們均是在同一攝像機(jī)模型下的運(yùn)動(dòng)，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(lái)表示。

全局運(yùn)動(dòng)的估計(jì)問(wèn)題就被歸結(jié)為全局運(yùn)動(dòng)模型參數(shù)的估計(jì)問(wèn)題，通常使用塊匹配法或光流估計(jì)法來(lái)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。可以將圖像分割成不同的圖像塊，假定同一圖像小塊上的運(yùn)動(dòng)矢量是相同的，通過(guò)像素域搜索得到最佳的運(yùn)動(dòng)矢量估算。塊匹配法主要有如下三個(gè)關(guān)鍵技術(shù)：

a)匹配法則，如最大相關(guān)、最小誤差等

b)搜索方法，如三步搜索法、交叉搜索法等。

c)塊大小的確定，如分級(jí)、自適應(yīng)等。

光流法

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，也就是說(shuō)，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，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。另外，大多數(shù)的光流計(jì)算方法相當(dāng)復(fù)雜，如果沒(méi)有特別的硬件裝置，其處理速度相當(dāng)慢，達(dá)不到實(shí)時(shí)處理的要求。

二．目標(biāo)跟蹤

運(yùn)動(dòng)目標(biāo)的跟蹤，即通過(guò)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(guò)程。簡(jiǎn)單說(shuō)，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，目標(biāo)跟蹤中常用到的目標(biāo)特性表達(dá)主要包括視覺(jué)特征(圖像邊緣、輪廓、形狀、紋理、區(qū)域)、統(tǒng)計(jì)特征(直方圖、各種矩特征)、變換系數(shù)特征(傅里葉描繪子、自回歸模型)、代數(shù)特征(圖像矩陣的奇異值分解)等。除了使用單一特征外，也可通過(guò)融合多個(gè)特征來(lái)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，從而實(shí)現(xiàn)目標(biāo)跟蹤。圖像處理與分析理論中，常見(jiàn)的相似性度量方法有歐氏距離、街區(qū)距離、棋盤(pán)距離、加權(quán)距離、巴特查理亞系數(shù)、Hausdorff距離等，其中應(yīng)用最多和最簡(jiǎn)單的是歐氏距離。

搜索算法

目標(biāo)跟蹤過(guò)程中，直接對(duì)場(chǎng)景中的所有內(nèi)容進(jìn)行匹配計(jì)算，尋找最佳匹配位置，需要處理大量的冗余信息，這樣運(yùn)算量比較大，而且沒(méi)有必要。采用一定的搜索算法對(duì)未來(lái)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。其中一類(lèi)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，在其相關(guān)區(qū)域內(nèi)尋找最優(yōu)點(diǎn)。常見(jiàn)的預(yù)測(cè)算法有Kalman濾波、擴(kuò)展的Kalman濾波及粒子濾波方法等。

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(guò)狀態(tài)方程和觀測(cè)方程來(lái)描述一個(gè)動(dòng)態(tài)系統(tǒng)，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)，預(yù)測(cè)時(shí)具有無(wú)偏、穩(wěn)定和最優(yōu)的特點(diǎn)，且具有計(jì)算量小、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，但其只適合于線性且呈高斯分布的系統(tǒng)。相對(duì)于卡爾曼濾波算法，粒子濾波器特別適用于非線性、非高斯系統(tǒng)。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，因而無(wú)須對(duì)以前的測(cè)量數(shù)據(jù)進(jìn)行存儲(chǔ)和再處理，節(jié)省了大量的存儲(chǔ)空間。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。

另一類(lèi)減小搜索范圍的算法是優(yōu)化搜索方向。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(wú)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(guò)程，以達(dá)到縮小搜索范圍的目的。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，適合于非線性運(yùn)動(dòng)目標(biāo)的跟蹤，對(duì)目標(biāo)的變形、旋轉(zhuǎn)等運(yùn)動(dòng)有較好的適用性。但是Meanshift算法在目標(biāo)跟蹤過(guò)程中沒(méi)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，當(dāng)周?chē)h(huán)境存在干擾時(shí)(如光線、遮擋)，容易丟失目標(biāo)。Camshift算法是在Meanshift算法的基礎(chǔ)上，進(jìn)行了一定的擴(kuò)展，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。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，可以有效地解決目標(biāo)變形和部分遮擋的問(wèn)題，且運(yùn)算效率較高，但該算法在開(kāi)始前需要由人工指定跟蹤目標(biāo)。

目標(biāo)跟蹤分類(lèi)

依據(jù)運(yùn)動(dòng)目標(biāo)的表達(dá)和相似性度量，運(yùn)動(dòng)目標(biāo)跟蹤算法可以分為四類(lèi)：基于主動(dòng)輪廓的跟蹤、基于特征的跟蹤、基于區(qū)域的跟蹤和基于模型的跟蹤。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。

1、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，是在圖像域內(nèi)定義的可變形曲線，通過(guò)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，該可變形曲線又稱(chēng)為Snake曲線。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)，并通過(guò)降低目標(biāo)函數(shù)值，使初始輪廓逐漸向物體的真實(shí)邊界移動(dòng)。

基于主動(dòng)輪廓跟蹤的優(yōu)點(diǎn)是不但考慮來(lái)自圖像的灰度信息，而且考慮整體輪廓的幾何信息，增強(qiáng)了跟蹤的可靠性。由于跟蹤過(guò)程實(shí)際上是解的尋優(yōu)過(guò)程，帶來(lái)的計(jì)算量比較大，而且由于Snake模型的盲目性，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。

2、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，只通過(guò)目標(biāo)圖像的一些顯著特征來(lái)進(jìn)行跟蹤。假定運(yùn)動(dòng)目標(biāo)可以由惟一的特征集合表達(dá)，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)。除了用單一的特征來(lái)實(shí)現(xiàn)跟蹤外，還可以采用多個(gè)特征信息融合在一起作為跟蹤特征?；谔卣鞯母欀饕ㄌ卣魈崛『吞卣髌ヅ鋬蓚€(gè)方面。

(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，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(jué)特性;

b)特征應(yīng)具備較好的分類(lèi)能力，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，以便于快速識(shí)別;

d)特征應(yīng)具備圖像平移、旋轉(zhuǎn)、尺度變化等不變性。

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、邊緣、塊特征、光流特征、周長(zhǎng)、面積、質(zhì)心、角點(diǎn)等。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。

(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，并以最優(yōu)匹配來(lái)跟蹤目標(biāo)。常見(jiàn)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、基于邊緣特征匹配或角點(diǎn)特征匹配的跟蹤、基于目標(biāo)灰度特征匹配的跟蹤、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、形變和亮度等變化不敏感，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，就可以完成跟蹤任務(wù)；另外，這種方法與Kalman濾波器聯(lián)合使用，也具有很好的跟蹤效果。但是其對(duì)于圖像模糊、噪聲等比較敏感，圖像特征的提取效果也依賴(lài)于各種提取算子及其參數(shù)的設(shè)置，此外，連續(xù)幀間的特征對(duì)應(yīng)關(guān)系也較難確定，尤其是當(dāng)每一幀圖像的特征數(shù)目不一致、存在漏檢、特征增加或減少等情況。

3、基于區(qū)域的跟蹤

基于區(qū)域的跟蹤算法基本思想是：

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

b)在序列圖像中，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)，跟蹤精度非常高、跟蹤非常穩(wěn)定。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;其次，算法要求目標(biāo)變形不大，且不能有太大遮擋，否則相關(guān)精度下降會(huì)造成目標(biāo)的丟失。近年來(lái)，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，這種變化是由運(yùn)動(dòng)目標(biāo)姿態(tài)變化引起的，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。

4、基于模型的跟蹤

基于模型的跟蹤是通過(guò)一定的先驗(yàn)知識(shí)對(duì)所跟蹤目標(biāo)建立模型，然后通過(guò)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(lái)說(shuō)，其運(yùn)動(dòng)狀態(tài)變換主要是平移、旋轉(zhuǎn)等，可以利用該方法實(shí)現(xiàn)目標(biāo)跟蹤。但是實(shí)際應(yīng)用中跟蹤的不僅僅是剛體，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。

這種方法不易受觀測(cè)視角的影響，具有較強(qiáng)的魯棒性，模型匹配跟蹤精度高，適合于機(jī)動(dòng)目標(biāo)的各種運(yùn)動(dòng)變化，抗干擾能力強(qiáng)，但由于計(jì)算分析復(fù)雜、運(yùn)算速度慢，模型的更新較為復(fù)雜，實(shí)時(shí)性較差。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)，跟蹤精度非常高，跟蹤非常穩(wěn)定。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；其次，算法要求目標(biāo)變形不大，且不能有太大遮擋，否則相關(guān)精度下降會(huì)造成目標(biāo)的丟失。

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，因此即使有一部分被遮擋，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)。

基于特征點(diǎn)的跟蹤算法中，比較困難的問(wèn)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、保存、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(chēng)為Snake 模型，這種方法能較精確地跟蹤上目標(biāo)的輪廓。Snake 模型非常適合可變形目標(biāo)的跟蹤，如對(duì)運(yùn)動(dòng)細(xì)胞的跟蹤。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，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，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，這種方法叫塊匹配。

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，那么跟蹤就會(huì)相對(duì)穩(wěn)定和可靠。可見(jiàn)，其運(yùn)算量比稠密光流要小很多。

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(lái)要調(diào)用calcOpticalFlowPyrLK函數(shù)，輸入兩幅連續(xù)的圖像，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。再把得到的跟蹤結(jié)果過(guò)濾一下，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(lái)。

5.mean-shift 和 camshift

Mean-shift

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

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；

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

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；

（2）跟蹤過(guò)程中由于窗口寬度大小保持不變，當(dāng)目標(biāo)尺度有所變化時(shí)，跟蹤就會(huì)失??；

（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，缺少空間信息；

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，所以，在目標(biāo)跟蹤領(lǐng)域，meanShift算法目前依然受到大家的重視。但考慮到其缺點(diǎn)，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，從而更進(jìn)一步減少meanShift跟蹤的搜索時(shí)間，降低計(jì)算量；

（2）可以采用一定的方式來(lái)增加用于目標(biāo)匹配的“特征”；

（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；

（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(chēng)是”ContinuouslyAdaptive Mean-SHIFT”，即：連續(xù)自適應(yīng)的MeanShift算法。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?。┳鳛橄乱粠琈eanShift算法的搜索窗口的初始值，如此迭代下去。簡(jiǎn)單點(diǎn)說(shuō)，meanShift是針對(duì)單張圖片尋找最優(yōu)迭代結(jié)果，而camShift則是針對(duì)視頻序列來(lái)處理，并對(duì)該序列中的每一幀圖片都調(diào)用meanShift來(lái)尋找最優(yōu)迭代結(jié)果。正是由于camShift針對(duì)一個(gè)視頻序列進(jìn)行處理，從而保證其可以不斷調(diào)整窗口的大小，如此一來(lái)，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。

在OpenCV自帶的camShift的例子當(dāng)中，是通過(guò)計(jì)算目標(biāo)在HSV空間下的H分量直方圖，通過(guò)直方圖反向投影得到目標(biāo)像素的概率分布，然后通過(guò)調(diào)用OpenCV的CAMSHIFT算法，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，但如果被跟蹤目標(biāo)與背景顏色或周?chē)渌繕?biāo)顏色比較接近，則跟蹤效果較差。另外，由于采用顏色特征，所以它對(duì)被跟蹤目標(biāo)的形狀變化有一定的抵抗能力。

OpenCV自帶例子中的camShift算法，可以分為三個(gè)部分：

A、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，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)，直方圖代表了不同H分量取值出現(xiàn)的概率，或者說(shuō)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，得到顏色概率查找表；

（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；

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

B、meanShift尋優(yōu)

前面提到過(guò)meanShift算法是一種非參數(shù)概率密度估計(jì)方法，它通過(guò)不斷迭代計(jì)算得到最優(yōu)搜索窗口的位置和大小。

（http://blog.csdn.net/carson2005/article/details/7337432）

C、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，并將上一幀的meanShift結(jié)果作為下一幀的初始值，如此不斷循環(huán)迭代，就可以實(shí)現(xiàn)目標(biāo)的跟蹤了。