【正文】 它物體干擾，對結(jié)果的影響并不大：圖 11 手的干擾對跟蹤的影響不大但 Camshift 算法也有缺陷，不光是在反向投影過程中，全局運算增加了不必要的運算負擔(dān)，同時全局運算也會大大降低跟蹤質(zhì)量，原因主要是因為在亮度不強的背景區(qū)域，反向投影會產(chǎn)生噪點，其原因是因為在 RGB 轉(zhuǎn)換到 HSV空間的時候，亮度或飽和度不大的映射穩(wěn)定性不高，導(dǎo)致一些無關(guān)點也被當成目標區(qū)域，原因如下圖：圖 12 跟蹤效果不理想的原因是白點的錯誤分布武漢理工大學(xué)畢業(yè)設(shè)計(論文)23 局部 Camshift 算法 局部 Camshift 算法原理根據(jù)上述對 Camshift 算法的跟蹤缺點分析，白點的錯誤分布是因為進行了全局運算而導(dǎo)致，全局運算不僅僅增大了運算量，并且無關(guān)的計算容易讓更多無關(guān)的物體干擾跟蹤算法，將算法由全局改成局部，有效的改善了跟蹤效果。我們可以初步分析，無論是 Camshift 算法，還是 Meanshift 算法，如果經(jīng)過反向投影的圖像，只有目標區(qū)域有離散的白點，其余區(qū)域沒有，那么，這種投影的跟蹤肯定是成功的，因為圖像的數(shù)據(jù)分布密集點只有一處（即目標位置） ，而Camshift 算法或者 Meanshift 算法，其作用都是找到數(shù)據(jù)密集處。讓反向投影的全局計算修改為局部計算。即讓反向投影的范圍限制在搜索窗口的內(nèi)部進行，這樣不僅僅可以大大減少計算量，也可以保證跟蹤質(zhì)量，從而更有效地進行跟蹤。該算法如下：對給定的圖像和目標直方圖，初始窗口和精度 ?(1) 首先，設(shè)定初試窗口的位置，準備跟蹤；(2) 計算一個比當前窗口稍微更大一些的范圍內(nèi)的反向投影值；(3) 使用 Meanshift 算法迭代，收斂后，返回跟蹤目標的零階矩 和收斂位置；0M(4) 以收斂位置為中心建立窗口，由(28)式進行窗口的尺寸計算，并且按照該公式更新窗口大小。(5) 根據(jù)更新的窗口作為下一幀視頻的初試窗口，并且將 Meanshift 所得到的迭代窗口中心重新作為目標初始位置，進行(2)，若是視頻結(jié)束，則返回。利用該算法做跟蹤，效果如下：武漢理工大學(xué)畢業(yè)設(shè)計(論文)24圖 13 改進后的跟蹤效果圖由圖(12)系列可以看出，在改進之后，周圍背景與人臉無關(guān)的區(qū)域的噪點有效減少，從而也在降低計算量的同時，改善了跟蹤效果。同時在距離改變的跟蹤上，問題也得到了明顯改善，搜索窗口幾乎很少出錯，其原因正是因為限制了反向投影的區(qū)域，使得白色點盡可能分布在搜索區(qū)域附近。效果如圖：圖 14 目標物體距離改變的跟蹤效果。 局部 Camshift 算法的優(yōu)缺點分析該方法的優(yōu)點，就是計算量非常小，跟蹤的實時性好，這是由于我們將全局的運算改為局部的運算而導(dǎo)致的。但該方法也有缺點，就是當視頻中武漢理工大學(xué)畢業(yè)設(shè)計(論文)25目標移動較快的時候，有時候會出現(xiàn)跟蹤失敗的情況。原因是因為由于全局運算改為局部運算，這樣就會出現(xiàn)在連續(xù)兩幀內(nèi)，由于目標移動太快速而導(dǎo)致突然從窗口中消失，窗口中沒有目標的數(shù)據(jù)從而停止了移動。導(dǎo)致跟蹤失效。同時，由于跟蹤的模型是建立在顏色模型的基礎(chǔ)之上，無論是局部Camshift 還是全局 Camshift，都有可能讓跟蹤窗口包括與目標無關(guān)的物體里面，因此，跟蹤最大的改進位置就是對目標的模型描述，如果能在跟蹤的過程中，能夠?qū)ξ矬w的形狀進行描述，則該物體可以進行準確跟蹤。因此，提高模型對物體的描述才是關(guān)鍵。4 局部 Camshift 算法與 Camshift 算法對比 為了進一步說明局部 CamShift 算法的優(yōu)點，我們將傳統(tǒng)的 CamShift 和局部的 CamShift 算法進行比較，從效率以及迭代次數(shù)出發(fā)進行對比，分析局部CamShift 算法的優(yōu)缺點。 局部 Camshift 算法的跟蹤效果比較由于 CamShift 算法是基于圖像的全局信息基礎(chǔ)之上，當室內(nèi)亮度不夠，光線不足的時候，容易造成色相提取的誤差，并且色相運算并不穩(wěn)定，導(dǎo)致反向投影圖有許多和目標無關(guān)的噪點，嚴重干擾了跟蹤算法，以及跟蹤的穩(wěn)定性（如圖 15） 。武漢理工大學(xué)畢業(yè)設(shè)計(論文)26圖 15 跟蹤效果對比（左圖為 Camshift,右圖為局部 Camshift）由此可見，當室內(nèi)光線十分昏暗的時候，局部 Camshift 算法可以有效地改進跟蹤效果，對目標無關(guān)的噪點進行排除，以達到跟蹤效果。其原因，就是因為在其方向投影圖上，與目標無關(guān)的噪點大大減少，從而保證了跟蹤質(zhì)量。圖16 說明了反向投影的效果圖 16 反向投影效果對比（左圖為 Camshift，右圖為局部 Camshift） 局部 Camshift 算法的迭代次數(shù)比較 由于局部 Camshift 算法把與目標相關(guān)的離散數(shù)據(jù)點位于一定范圍內(nèi)部，所以，與目標無關(guān)的數(shù)據(jù)點會大大減少，無關(guān)數(shù)據(jù)的干擾作用也會大大減低，因此迭代更快。我們測試對同一個視頻進行跟蹤，發(fā)現(xiàn)迭代次數(shù)在室內(nèi)昏暗的時候有所降低，原因是因為當室內(nèi)光線昏暗的時候，反向投影的效果比較多，嚴重影響了算法收斂方向和速度（如圖 17） 。武漢理工大學(xué)畢業(yè)設(shè)計(論文)27 圖 17 兩種算法的迭代次數(shù)對比（昏暗環(huán)境下）跟蹤效果如圖 15。但是，當室內(nèi)環(huán)境光線充足的時候，該算法的迭代速度并沒有明顯的改進，只是略微減少。效果如下圖：圖 18 室內(nèi)光線充足的情況下跟蹤對比(左圖為 Camshift，右圖為局部 Camshift)其原因，是因為反向投影都是一樣，因為室內(nèi)光線充足，色相轉(zhuǎn)換失真比較少，所以跟蹤效果都很好，反向投影效果如下圖：圖 19 反向投影效果對比（左圖為 Camshift,右圖為局部 Camshift）武漢理工大學(xué)畢業(yè)設(shè)計(論文)28跟蹤的迭代次數(shù)對比，如下圖：圖 20 迭代次數(shù)對比盡管局部 CamShift 改變了迭代效率，減輕了計算機的運算負擔(dān)，但是當反向投影的計算面積過于小的時候，也會產(chǎn)生跟蹤失效，原因是因為一方面跟蹤目標運動過快，另一方面是因為反向投影運算面積太小而導(dǎo)致跟蹤失效，如下圖：圖 21 物體快速運動下局部反向投影的跟蹤失效但是，全局的 CamShift 在室內(nèi)光線充足的情況下，很少出現(xiàn)這種情況。5 總結(jié)與展望 論文總結(jié) 本論文詳細討論了 Meanshift 算法原理，以及介紹了將其用作跟蹤的的原理和方法，隨后討論了改進的 Camshift 算法已經(jīng)自己改進的 Camshift 算法，并武漢理工大學(xué)畢業(yè)設(shè)計(論文)29且都有大量的實例來演示其跟蹤效果。 Meanshift 算法是先用核函數(shù)來估計數(shù)據(jù)的密度分布，核函數(shù)的要求就是遞減函數(shù)的凹函數(shù)，這在實際應(yīng)用中都很容易實現(xiàn)。應(yīng)用核函數(shù)估計出密度分布后，再使用 Meanshift 算法來找到密度函數(shù)的最大值。 Meanshift 算法本質(zhì)上是一種利用基于梯度的算法，其性質(zhì)和牛頓算法有些類似，即在最優(yōu)值很遠的地方收斂很慢，但在離最優(yōu)值很近的地方收斂速度很慢。但是 Meanshift 并不是牛頓梯度法，牛頓梯度法使用的是二階導(dǎo)數(shù)和一階導(dǎo)數(shù)，而 Meanshift 只用了函數(shù)一階導(dǎo)數(shù)，運算簡單快捷。我們不用計算密度函數(shù)便可以求出 Meanshift 向量。 Meanshift 算法用到跟蹤的時候，就是要用到加權(quán)的 Meanshift 向量公式。其原理在與將人臉通過某種模型來提取數(shù)據(jù)，得到的圖像將是一副在人臉部分的數(shù)據(jù)分布密集，在其它無關(guān)部分數(shù)據(jù)分布稀疏的圖像。由于 Meanshift 算法最本質(zhì)的作用在于找到數(shù)據(jù)分布最密集的點，于是可以通過 Meanshift 算法進行迭代，是窗口位于數(shù)據(jù)分布最密集的位置，從而達到跟蹤效果。 由于 Meanshift 算法做跟蹤時，會有窗口大小無法調(diào)整的缺陷，于是本文在介紹 Meanshift 算法后，講述了 Camshift 算法。該算法改正了 Meanshift 算法缺點，讓跟蹤窗口與目標大小進行自適應(yīng)調(diào)整，從而改善了跟蹤效果。同時，本文結(jié)合 Camshift 算法的優(yōu)點，提出局部的 Camshift 算法。使得對目標模型的計算從整個圖像變?yōu)樯晕⒈雀櫞翱诖笠稽c的局部運算，從而產(chǎn)生了跟蹤效果更好地局部 Camshift 跟蹤算法。有些人認為，Meanshift 或者 Camshift 跟蹤只能建立在顏色模型上，這種見解是錯誤的。實時上，Camshift 的直方圖模型不光是可以建立顏色直方圖，也可以建立輪廓直方圖。該方法是近期提出來的一種新方法，用直方圖來統(tǒng)計物體輪廓的方向向量，從而對物體實現(xiàn)了幾何上的描述。該方法也可以用于論文中，讓目標物體同時從幾何上和顏色上進行描述，可以有更準確的跟蹤方法。 研究展望相比那些和濾波以及數(shù)據(jù)關(guān)聯(lián)度的跟蹤算法，Meanshift 算法的計算量已經(jīng)是大大降低了。然而，跟蹤的準確度依舊有待提高。修改該問題的方法，就是在跟蹤過程中，對物體的模型進行修改。個人覺得，最好的模型莫過于對物體的形狀描述以及顏色描述。然而，目前的許多跟蹤算法中，都沒有加入對形狀描述的算法，原因是對圖像中的形狀，描述起來并不容易，即使有描述的方法，計算量也過大，用在跟蹤里會導(dǎo)致跟蹤失去實時性。同時，跟蹤算法是個優(yōu)化的算法，所有優(yōu)化的算法有一個通病，武漢理工大學(xué)畢業(yè)設(shè)計(論文)30就是會收斂到局部極值。有時候，該值并不是我們想要的。因此，為了避免優(yōu)化算法的缺陷，可行的辦法就是在建模的時候，盡可能讓整個圖像只出現(xiàn)一個最大值，或者讓提取出來的數(shù)據(jù)盡可能集中在一個區(qū)域，這樣就可以保證收斂總是處于正確位置。跟蹤算法應(yīng)用廣泛，是有十分大的商業(yè)潛力的。由于人臉感知系統(tǒng)的誕生，計算機可以通過人臉的旋轉(zhuǎn)和移動控制 3D 游戲的操作，也可以在許多其它方面，如交通監(jiān)控，室內(nèi)監(jiān)控都起到很多作用。因此，開發(fā)一套好的跟蹤算法，是很有必要的。希望今后隨著計算機發(fā)達，能做出跟精確的跟蹤算法。武漢理工大學(xué)畢業(yè)設(shè)計(論文)31參考文獻[1] and ,The Estimation of the Gradient of a Density Function,with Applications in Pattern Recognition IEEE Theory,1975.[2] Blaz Fortuna. Kernel Canonical Correlation Analysis With Applications. Department of Knowledge Technologies, Jozef Stefan Institute.[3] D. Comaniciu and P. Meer, “Mean Shift: A Robust Approach Toward Feature Space Analysis,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 5, pp. 603619, May 2022. [4] , V. Ramesh, and RealTime Tracking of NonRigid Objects Using Mean Shift Proc Eighth Int39。lConf. Computer Vision, vol,21,337,1996[5] ,Computer Vision Face Tracking as a Component of a Perceptual User Interface, Workshop Applications of Computer Vision,219,[6] D. DeCarlo and D. Metaxas, “Optical Flow Constraints on Deformable Models with Applications to Face Tracking,” Int’l Vision, vol. 38, no. 2, pp. 99127, 2022.[7] R. Wildes, R. Kumar, H. Sawhney, S. Samasekera, S. Hsu, H. Tao,Y. Guo, K. Hanna, A. Pope, D. Hirvonen, M. Hansen, and P. Burt,“Aerial Video Surveillance and Exploitation,” Proc. IEEE, vol. 89,no. 10, pp. 15181539, 2022.[8] Y. BarShalom and T. Fortmann, Tracking and Data Association. Academic Press. 1988.[9] S. Julier and J. Uhlmann, “A New Extension of the Kalman Filter to Nonlinear Systems,” Proc. SPIE, vol. 3068, pp. 182193, 1997.[10] L. Rabiner, “A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition,” Proc. IEEE, vol. 77, no. 2,pp. 257285, 1989.[11] N. Gordon, D. Salmond, and A. Smith, “A Novel Approach to NonLinear and NonGaussian Ba