首页 > 代码库 > opencv2对读书笔记——使用均值漂移算法查找物体
opencv2对读书笔记——使用均值漂移算法查找物体
一些小概念
1.反投影直方图的结果是一个概率映射,体现了已知图像内容出现在图像中特定位置的概率。
2.概率映射可以找到最初的位置,从最初的位置开始并且迭代移动,便可以找到精确的位置,这就是均值漂移算法做的事情。
3.均值漂移算法是以迭代的方式锁定函数的局部最大值的。
关于均值漂移算法的过程(opencv)
其实均值漂移算法就是寻找预定义寻找区域中数据点的重心,或者说加权平均值。将寻找区域中心移动到数据点的重心处,并重复这个过程直到寻找区域重心收敛到一个稳定点。
OpenCV中定义了两种终止条件:迭代最大次数以及窗口重心的位移值(低于该值即认为算法收敛)。
在OpenCV中实现这个过程的是meanshift函数,其源代码如下:
#include "_cv.h" CV_IMPL int cvMeanShift( const void* imgProb, CvRect windowIn, CvTermCriteria criteria, CvConnectedComp* comp ) { //CvMoments用来计算矩形的重心,面积等形状特征 CvMoments moments; int i = 0, eps; CvMat stub, *mat = (CvMat*)imgProb; CvMat cur_win; CvRect cur_rect = windowIn; CV_FUNCNAME( "cvMeanShift" ); //初始化跟踪窗口 if( comp ) comp->rect = windowIn; //把0阶矩和1阶矩先初始化置零 moments.m00 = moments.m10 = moments.m01 = 0; __BEGIN__; CV_CALL( mat = cvGetMat( mat, &stub )); //各种输入变量不符合要求时显示错误信息 if( CV_MAT_CN( mat->type ) > 1 ) CV_ERROR( CV_BadNumChannels, cvUnsupportedFormat ); if( windowIn.height <= 0 || windowIn.width <= 0 ) CV_ERROR( CV_StsBadArg, "Input window has non-positive sizes" ); if( windowIn.x < 0 || windowIn.x + windowIn.width > mat->cols || windowIn.y < 0 || windowIn.y + windowIn.height > mat->rows ) CV_ERROR( CV_StsBadArg, "Initial window is not inside the image ROI" ); //迭代的标准,精度=1.0,迭代次数=100 CV_CALL( criteria = cvCheckTermCriteria( criteria, 1., 100 )); //精度eps=1 eps = cvRound( criteria.epsilon * criteria.epsilon ); //最大循环次数=最大迭代次数criteria.max_iter=100 for( i = 0; i < criteria.max_iter; i++ ) { int dx, dy, nx, ny; double inv_m00; //选取搜索区域,对该矩形区域计算它的0,1阶矩 CV_CALL( cvGetSubRect( mat, &cur_win, cur_rect )); CV_CALL( cvMoments( &cur_win, &moments )); /* Calculating center of mass */ if( fabs(moments.m00) < DBL_EPSILON ) break; //搜索区域的质量m00 inv_m00 = moments.inv_sqrt_m00*moments.inv_sqrt_m00; //搜索区域的水平重心偏移dx dx = cvRound( moments.m10 * inv_m00 - windowIn.width*0.5 ); //搜索区域的垂直重心偏移dy dy = cvRound( moments.m01 * inv_m00 - windowIn.height*0.5 ); //搜索区域的重心坐标(nx,ny) nx = cur_rect.x + dx; ny = cur_rect.y + dy; //跟踪目标处于图像边缘时进行一些相应的处理 if( nx < 0 ) nx = 0; else if( nx + cur_rect.width > mat->cols ) nx = mat->cols - cur_rect.width; if( ny < 0 ) ny = 0; else if( ny + cur_rect.height > mat->rows ) ny = mat->rows - cur_rect.height; dx = nx - cur_rect.x; dy = ny - cur_rect.y; cur_rect.x = nx; cur_rect.y = ny; /* Check for coverage centers mass & window */ //精度达到要求时即可退出循环 if( dx*dx + dy*dy < eps ) break; } __END__; //对meanshift函数的返回值赋值 if( comp ) { comp->rect = cur_rect; comp->area = (float)moments.m00; } return i; }
在里面我们可以很容易的看出迭代过程
对这个算法想仔细研究的同学可以参考一下Dorin Comaniciu 等人2002年写的:
《Mean Shift:A Robust Approach Toward Feature Space Analysis》
实际例子
例子代码
#include <opencv2\core\core.hpp> #include <opencv2\highgui\highgui.hpp> #include <opencv2\imgproc\imgproc.hpp> #include <opencv2\video\tracking.hpp> #include <iostream> #include <vector> using namespace std; #include "objectFinder.h" #include "colorhistogram.h" int main() { //读取参考图像 cv::Mat image= cv::imread("../3.jpg"); if (!image.data) return 0; //定义查找物体 cv::Mat imageROI= image(cv::Rect(85,200,64,64)); cv::rectangle(image, cv::Rect(85,200,64,64),cv::Scalar(0,0,255)); //显示参考图像 cv::namedWindow("第一张图片,标记篮球位置"); cv::imshow("第一张图片,标记篮球位置",image); //获得色度直方图 ColorHistogram hc; cv::MatND colorhist= hc.getHueHistogram(imageROI); //读入目标图像 image= cv::imread("../4.jpg"); //显示目标图像 cv::namedWindow("第二张图片"); cv::imshow("第二张图片",image); //将RGB图像图像转换为HSV图像 cv::Mat hsv; cv::cvtColor(image, hsv, CV_BGR2HSV); //分离图像通道 vector<cv::Mat> v; cv::split(hsv,v); //消除饱和度较低的像素点 int minSat=65; cv::threshold(v[1],v[1],minSat,255,cv::THRESH_BINARY); cv::namedWindow("第二张图片消除饱和度较低的像素点"); cv::imshow("第二张图片消除饱和度较低的像素点",v[1]); //进行直方图反投影 ObjectFinder finder; finder.setHistogram(colorhist); finder.setThreshold(0.3f); int ch[1]={0}; cv::Mat result= finder.find(hsv,0.0f,180.0f,ch,1); cv::namedWindow("第二张图片进行直方图反投影"); cv::imshow("第二张图片进行直方图反投影",result); //利用位运算消除低饱和度像素 cv::bitwise_and(result,v[1],result); cv::namedWindow("第二张图片利用位运算进一步消除低饱和度像素点"); cv::imshow("第二张图片利用位运算进一步消除低饱和度像素点",result); // 得到反投影直方图概率图像 finder.setThreshold(-1.0f); result= finder.find(hsv,0.0f,180.0f,ch,1); cv::bitwise_and(result,v[1],result); cv::namedWindow("第二张图片处理后的二值图像"); cv::imshow("第二张图片处理后的二值图像",result); cv::Rect rect(85,200,64,64); cv::rectangle(image, rect, cv::Scalar(0,0,255)); cv::TermCriteria criteria(cv::TermCriteria::MAX_ITER,10,0.01); cout << "均值漂移迭代次数 = " << cv::meanShift(result,rect,criteria) << endl; cv::rectangle(image, rect, cv::Scalar(0,255,0)); //展示结果图 cv::namedWindow("查找结果,红框为第一幅图中篮球位置,绿框为现位置"); cv::imshow("查找结果,红框为第一幅图中篮球位置,绿框为现位置",image); cv::waitKey(); return 0; }
输出结果
-END-
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。