本科畢業(yè)設(shè)計(jì)（論文）課題名稱：MeanShift目標(biāo)追蹤算法實(shí)驗(yàn)研究專業(yè)：信息與計(jì)算科學(xué)姓名：學(xué)號：指導(dǎo)教師：數(shù)理學(xué)院年月本科畢業(yè)設(shè)計(jì)（論文）圖4.SEQ圖\*ARABIC\s11基于MeanShift算法的實(shí)驗(yàn)步驟流程圖開始計(jì)算目標(biāo)模板概率密度函數(shù)手動選取目標(biāo)，確定中心位置計(jì)算候選模板以及權(quán)值計(jì)算MeanShift向量，得到新位置更新搜索位置下一幀YN確定候選模板的中心位置在本次仿真實(shí)驗(yàn)中，均使用RGB顏色空間作為目標(biāo)的特征空間；人工手動方式獲得被跟蹤目標(biāo)的候選模板；核函數(shù)選取Epanechnikov核，帶寬固定。實(shí)驗(yàn)仿真平臺為Windows系統(tǒng)下的Matlab2011。（1）實(shí)驗(yàn)一：最佳情況下的目標(biāo)跟蹤在實(shí)驗(yàn)一中，選取一段行人轉(zhuǎn)向行走的視頻。此段視頻序列共有720幀，分辨率為436*344，幀速率為15幀/秒。目標(biāo)人物向右走動一圈，在走動過程中速度均勻。此段視頻具有以下特點(diǎn)：1）靜態(tài)背景，單一場景；2）在目標(biāo)移動過程中，沒有干擾因素進(jìn)入場景中；3）目標(biāo)速度均勻、適中；4）目標(biāo)特征清晰。A第1幀B目標(biāo)模板C第221幀D第400幀E第552幀F(xiàn)第643幀圖4.SEQ圖\*ARABIC\s12白衣行人跟蹤實(shí)驗(yàn)結(jié)果圖將行人的白色上衣作為跟蹤的目標(biāo)，利用MeanShift目標(biāo)跟蹤算法進(jìn)行跟蹤實(shí)驗(yàn)，結(jié)果如圖4.2所示。A是序列的首幀圖像；B中的紅色矩形框內(nèi)的圖像是人工選取的目標(biāo)模板。C到F分別是對測試序列中的第221幀、第400幀、第552幀與第643幀的跟蹤結(jié)果。從圖4.2看出在整個(gè)跟蹤過程中，跟蹤順利完成，跟蹤框始終緊緊鎖定目標(biāo)，沒有出現(xiàn)誤跟和跟丟現(xiàn)象。由此得出，MeanShift目標(biāo)跟蹤算法在背景簡單、沒有遮擋等復(fù)雜環(huán)境影響的情況下可以較好的跟蹤目標(biāo)。A第1幀B目標(biāo)模板C第100幀D第239幀E第785幀F(xiàn)第800幀圖4.SEQ圖\*ARABIC\s13紅衣行人跟蹤實(shí)驗(yàn)結(jié)果圖（2）實(shí)驗(yàn)二：具有干擾的目標(biāo)跟蹤第一段視頻為身著紅色上衣的行人由遠(yuǎn)及近向鏡頭走來，該視頻序列共有800幀，分辨率為560*420，幀率為15幀/秒。此段視頻有以下特點(diǎn)：1）單一場景、目標(biāo)特征清晰；2）在目標(biāo)移動過程中，存在背景干擾；3）在目標(biāo)朝著攝像頭方向移動過程中，目標(biāo)尺寸不斷變大；4）目標(biāo)移動速度均勻、適中。將行人的紅色上衣作為跟蹤目標(biāo)，利用MeanShift目標(biāo)跟蹤算法進(jìn)行跟蹤實(shí)驗(yàn)結(jié)果，如圖4.3所示。A是序列的首幀圖像；B中的紅色矩形框內(nèi)的圖像是人工選取的目標(biāo)模板。C到F分別是對測試序列中的第100幀、第239幀、第785幀與第800幀的跟蹤結(jié)果。由圖4.3知場景的變近，使得目標(biāo)在場景中越來越大，前239幀跟蹤效果較好，目標(biāo)區(qū)域始終在跟蹤框中，沒有出現(xiàn)誤跟和跟丟的現(xiàn)象。但在239幀之后，由于，目標(biāo)區(qū)域漸漸增大，甚至超出了跟蹤框跟蹤的區(qū)域。這時(shí)被跟蹤的區(qū)域僅是當(dāng)初目標(biāo)的部分區(qū)域，實(shí)際上已經(jīng)脫離了最初設(shè)定的目標(biāo)。第785幀和第800幀都可以看出跟蹤失敗了。第二段視頻為身著藍(lán)色上衣的行人由近向遠(yuǎn)遠(yuǎn)離鏡頭走去，該視頻序列共有900幀，分辨率為432*308，幀率為15幀/秒。此段視頻具有以下特點(diǎn)：1）單一場景、目標(biāo)特征清晰；2）在目標(biāo)移動過程中，存在背景干擾；3）在目標(biāo)朝著攝像頭方向移動過程中，目標(biāo)尺寸不斷變小；4）目標(biāo)移動速度均勻、適中。將行人的藍(lán)色上衣作為跟蹤的目標(biāo)，利用CamShift目標(biāo)跟蹤算法進(jìn)行跟蹤實(shí)驗(yàn)，結(jié)果如圖4.4所示。A是序列的首幀圖像；B中的紅色矩形框內(nèi)的圖像是人工選取的目標(biāo)模板。C到F分別是對測試序列中的第100幀、第222幀、第400幀與第544幀的跟蹤結(jié)果。由圖4.4可以看出用了CamShift算法以后雖然場景變遠(yuǎn)，目標(biāo)在場景中越來越小。但跟蹤的窗口的也隨之改變，始終牢牢鎖定目標(biāo)沒有出現(xiàn)誤跟和跟丟的現(xiàn)象。該實(shí)驗(yàn)證明MeanShift算法在整個(gè)跟蹤過程中，核窗寬固定不變，不能隨著目標(biāo)大小而做相應(yīng)的改變。目標(biāo)尺度大小的變化會導(dǎo)致核窗框定位不準(zhǔn)確，從而造成目標(biāo)的丟失。A第1幀B目標(biāo)模板C第100幀D第222幀E第400幀F(xiàn)第544幀圖4.SEQ圖\*ARABIC\s14藍(lán)衣行人跟蹤實(shí)驗(yàn)結(jié)果圖（3）實(shí)驗(yàn)三：跟蹤目標(biāo)被遮擋情形在實(shí)驗(yàn)三中，選取一段汽車緩慢向左行駛的視頻。此段視頻序列共有216幀，分辨率為432*304，幀速率為15幀/秒。此段視頻具有以下特點(diǎn)：1）靜態(tài)背景，單一場景；2）目標(biāo)在行駛中被樹遮擋一部分；3）目標(biāo)速度適中；A第1幀B目標(biāo)模板C第92幀D第125幀E第166幀F(xiàn)第216幀圖4.SEQ圖\*ARABIC\s15白色車輛跟蹤實(shí)驗(yàn)結(jié)果圖用MeanShift算法對白色的車輛進(jìn)行跟蹤實(shí)驗(yàn)結(jié)果如圖4.5所示。A是序列的首幀圖像；B中的紅色矩形框內(nèi)的圖像是人工選取的目標(biāo)模板。C到F分別是對測試序列中的第92幀、第125幀、第166幀與第216幀的跟蹤結(jié)果。由圖4.5的跟蹤結(jié)果可看出當(dāng)目標(biāo)未被遮擋時(shí)，該算法能還是能很好的跟蹤目標(biāo)的。但是當(dāng)所選目標(biāo)車輛的部分被樹遮擋時(shí)，跟蹤的窗口就停止在樹上了，即使再次出現(xiàn)時(shí)，跟蹤框也不能很好的再次定位在目標(biāo)上并繼續(xù)跟蹤了。該實(shí)驗(yàn)在目標(biāo)被遮擋后跟蹤失敗的原因是由于當(dāng)目標(biāo)被遮擋時(shí)，MeanShift算法失去了該目標(biāo)的信息特征，相鄰幀間的相關(guān)性系數(shù)減小，迭代停止，使得核窗框停止不前，導(dǎo)致跟蹤失敗。該實(shí)驗(yàn)證明了MeanShift算法在跟蹤被遮擋的目標(biāo)時(shí)效果不是很好。（4）實(shí)驗(yàn)四：快速運(yùn)動目標(biāo)跟蹤在實(shí)驗(yàn)四中，選取一段汽車快速背離鏡頭行駛的視頻。此段視頻序列共有162幀，分辨率為432*340，幀速率為15幀/秒。此段視頻具有以下特點(diǎn)：A第1幀B目標(biāo)模板C第77幀D第97幀E第98幀F(xiàn)第156幀圖4.SEQ圖\*ARABIC\s16汽車在高速公路上行駛跟蹤實(shí)驗(yàn)結(jié)果圖1）目標(biāo)運(yùn)動速度較快；2）目標(biāo)為汽車車牌，與背景對比鮮明；3）在目標(biāo)運(yùn)動過程中，沒有遮擋；4）動態(tài)背景；場景簡單。用MeanShift算法對白色的車輛進(jìn)行跟蹤實(shí)驗(yàn)結(jié)果如圖4.6所示。A是序列的首幀圖像；B中的紅色矩形框內(nèi)的圖像是人工選取的目標(biāo)模板。C到F分別是對測試序列中的第77幀、第97幀、第98幀與第156幀的跟蹤結(jié)果。由圖4.6得知在第97幀之前核窗框可以牢牢鎖定車牌進(jìn)行很好的跟蹤，然從第98幀以后跟蹤框就脫離了目標(biāo)區(qū)域直到最后一幀都沒有再次鎖定目標(biāo)，顯然跟蹤失敗了。在上述跟蹤視頻中，目標(biāo)區(qū)域沒有外界因素干擾，并且車牌與汽車顏色相差較大，是比較符合MeanShift算法跟蹤的最佳狀態(tài)的。但汽車行駛的速度比較快，使得在跟蹤過程中，跟蹤框漸漸偏移直至脫離目標(biāo)。結(jié)果表明，MeanShift算法在跟蹤快速運(yùn)動的目標(biāo)時(shí)效果不好。4.2實(shí)驗(yàn)總結(jié)通過對MeanShift算法在目標(biāo)跟蹤中應(yīng)用的介紹以及實(shí)驗(yàn)結(jié)果，可以得出MeanShift算法用于目標(biāo)跟蹤有以下幾個(gè)優(yōu)勢：（1）算法對參數(shù)要求不高，在初始幀中手動或自動選定要跟蹤的目標(biāo)的區(qū)域以后，核窗寬也隨之確定了，此后在整個(gè)目標(biāo)跟蹤過程均無需再輸入其他的參數(shù)；（2）算法計(jì)算復(fù)雜度不大，一定條件下可以保證跟蹤的準(zhǔn)確性、魯棒性；MeanShift目標(biāo)跟蹤算法在以下幾個(gè)方面還需要改進(jìn)：當(dāng)目標(biāo)和背景的顏色相似時(shí)，使用顏色直方圖來描述目標(biāo)的特征已經(jīng)不太合適。此時(shí)可以考慮選取其他的特征，例如目標(biāo)的紋理來建立特征空間。（2）當(dāng)核窗框大小固定，目標(biāo)的尺寸卻發(fā)生變化時(shí)，而MeanShift沒有模板更新能力，在整個(gè)跟蹤過程中，跟蹤框大小始終不變，也會丟失目標(biāo)信息，使得跟蹤失?。晃墨I(xiàn)REF_Ref31858\w\h[20]采用正負(fù)10%的增量對核窗寬進(jìn)行了修正；文獻(xiàn)REF_Ref25524\w\h[5]提出了一種基于Canny邊緣檢測的核窗寬自動選取方法，該算法計(jì)算量小、易實(shí)行，但是缺點(diǎn)是只適用于目標(biāo)與背景的區(qū)分度大，且背景干擾少的情況；文獻(xiàn)REF_Ref32446\w\h[24]將仿射模型應(yīng)用與核函數(shù)帶寬的自適應(yīng)選擇中,很好的解決了核函數(shù)帶寬自適應(yīng)問題。（3）當(dāng)目標(biāo)區(qū)域出現(xiàn)干擾物或遭遇遮擋時(shí)時(shí)，容易丟失目標(biāo)。這是因?yàn)镸eanShift目標(biāo)跟蹤算法缺乏模板更新機(jī)制。在目標(biāo)跟蹤過程中是將前一幀的候選模板作為當(dāng)前幀的目標(biāo)模板，當(dāng)前一幀中目標(biāo)區(qū)域出現(xiàn)干擾物時(shí)，相應(yīng)的目標(biāo)模板發(fā)生了變化，跟蹤中目標(biāo)特征信息不正確，就會導(dǎo)致跟蹤失敗。為解決這種情況下出現(xiàn)的問題，可以考慮將MeanShift與其他跟蹤算法相結(jié)合，比如利用卡爾曼濾波或粒子濾波測到的結(jié)果作為MeanShift算法跟蹤的起始點(diǎn)，提高跟蹤精度[1]。（4）當(dāng)目標(biāo)快速運(yùn)動時(shí)，MeanShift算法會丟失目標(biāo)。這是因?yàn)镸eanShift算法的原理要求相鄰兩幀區(qū)域有重疊，速度過快就會造成相鄰幀區(qū)域分離，導(dǎo)致跟蹤失敗。MeanShift算法跟蹤時(shí)對目標(biāo)速度有所限制，不適合跟蹤快速運(yùn)動的物體。文獻(xiàn)REF_Ref2747\w\h[32]中提出了融合背景差分、幀間差分和灰度閾值技術(shù)的變背景幀間差分法，并結(jié)合灰度質(zhì)心定位和自適應(yīng)核窗改進(jìn)了MeanShift跟蹤算法?？偠灾琈eanShift目標(biāo)跟蹤算法因其算法簡單、復(fù)雜度不高、易于與其他知識（如粒子濾波、卡爾曼濾波）相結(jié)合等優(yōu)點(diǎn)，成為目標(biāo)跟蹤算法中不可或缺、經(jīng)久不衰的研究課題之一。對MeanShift算法的缺點(diǎn)進(jìn)行改進(jìn)，使該算法能更好的應(yīng)用到生活中也是國內(nèi)外學(xué)者不懈努力研究的動力。

第五章總結(jié)5.1結(jié)論目標(biāo)跟蹤是計(jì)算機(jī)視覺的核心技術(shù)之一，一直是研究的經(jīng)典和熱點(diǎn)問題。其融合了諸多領(lǐng)域的研究成果，如自動控制、圖像處理、模式識別和人工智能等領(lǐng)域。在視頻監(jiān)控、視頻檢索、視頻分析、三維重構(gòu)、智能人機(jī)交互、虛擬現(xiàn)實(shí)、動態(tài)識別、醫(yī)學(xué)圖像分析、氣象分析和交通狀況分析等領(lǐng)域都有著重大的意義和廣泛的應(yīng)用。本文對目標(biāo)跟蹤技術(shù)中的MeanShift目標(biāo)跟蹤算法進(jìn)行了研究，具體工作如下：綜述目標(biāo)跟蹤算法的發(fā)展以及在國內(nèi)外取得的主要成就和實(shí)現(xiàn)的平臺；（2）將當(dāng)前的目標(biāo)跟蹤方法分為基于檢測的跟蹤算法方法和基于匹配的跟蹤方法兩大類；（3）詳細(xì)論述了MeanShift算法的基本原理和特征空間的選擇，給出MeanShift目標(biāo)跟蹤算法實(shí)現(xiàn)的實(shí)驗(yàn)，并分析了算法的優(yōu)缺點(diǎn)。5.2不足與展望視頻目標(biāo)跟蹤系統(tǒng)是一個(gè)非常復(fù)雜的問題，它涉及到多個(gè)領(lǐng)域的知識。由于時(shí)間有限本文仍存在很多不足之處，需要在今后的工作和學(xué)習(xí)中改善：本文研究的側(cè)重點(diǎn)是單目標(biāo)跟蹤，在智能視頻監(jiān)控中有時(shí)需要對多個(gè)感興趣的目標(biāo)進(jìn)行監(jiān)控，多目標(biāo)同時(shí)跟蹤也是算法研究的方向之一。（2）本文僅對MeanShift算法進(jìn)行實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析，并未給出實(shí)際的改進(jìn)的方案和驗(yàn)證。目標(biāo)跟蹤算法還存在許多的不足，未來更多的研究還是會在算法的改進(jìn)和實(shí)現(xiàn)這一塊。比如，雖然現(xiàn)在的手機(jī)在拍照的目標(biāo)識別上有了很大的進(jìn)展，但大多數(shù)的手機(jī)還是無法很好的“抓住”移動中的物體，相信這會是研究的方向之一。

參考文獻(xiàn)胡淑芳.均值偏移算法在目標(biāo)跟蹤中的應(yīng)用研究[D].重慶大學(xué)碩士學(xué)位論文,2010.R.Collins,A.LiptonT.KanadeandP.Burt.ASystemforvideosurveillanceandmonitoring:VSAMfinalreport[R].CMU-RI-TR-00-12,CamegieMelonUniversity,Pittsburgh,America.May,2000.HaritaogluI,HarwoodD,DavisLS.W4:Real-timesurveillanceofpeopleandtheiractivities[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2000,22(8):809-830.RemagninoP.TanT,BakerK.Multiagentvisualsurveillanceofdynamicscenes.ImageandVisionComputing.1998,16(8):529-532.劉戀.基于MeanShift的目標(biāo)跟蹤算法研究[D].中國科學(xué)院研究生院碩士學(xué)位論文,2011.郭敬明,何昕,楊杰,魏仲慧,龔俊亮.模板自適應(yīng)的MeanShift紅外目標(biāo)跟蹤[J].紅外激光工程,2014,43(04):1087-1093.趙海英,張小利,李雄飛,彭宏.基于多尺度MeanShift圖像去躁算法[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版),2014,44(05):1417-1422.成怡,王曉紅,修春波.基于MeanShift與攝像機(jī)標(biāo)定的無人機(jī)定位方法[J].天津工業(yè)大學(xué)學(xué)報(bào),2017,(01):55-60.朱勝利.MeanShift及相關(guān)算法在視頻跟蹤中的研究[D].浙江大學(xué)博士論文,2006.BarornJ,FleetDandBeaucheminS.Performanceofopticalflowtechniques[J].InternationalJournalofComputerVision,1994,12(1):42-77.PolanaR,NelsonR.Lowlevelrecognitionofhumanmotion[J].In:ProcIEEEWorkshoponMotionofNon-RigidandArticulatedObjects,Austin,TX,1994,77-82.SegenJandPingaliS.Acamera-basedsystemfortrackingpeopleinrealtime[C].InternationalConferenceonPatternRecognition,Cambridge,1996,3:63.Karaulova1,HallP,MarshallA.Ahierarchicalmodelofdynamicsfortrackingpeoplewithasinglevideocamera[A].ProceedingsofBritishMachineVisionConference[C],Bristol,U.K,2000:352-361.JuS,BlackM,YaccpbY.Cardboardpeople:Aparameterizedmodelofarticulatedimagemotion[A].IEEEInternationalConferenceonAutomaticFaceandGestureRecognition[C],Killington,VermontUSA,1996:38-44.WachterS,NagelH-H.Trackingpersonsinmonocularimagesequences[J].ComputerVisionandImageUnderstanding.l999,74(5):174-192.KassM,WitkinA,TerzopoulosD.Snakes:Activecontourmodels[J].InternationalJournalofComputerVision1988,1(4):321-331.VierenC,CabestaingF,PostaireJ.Catchingmovingobjectswithsnakesformotiontracking[J].PatternRecognitionLetters,1995,16(7):679-685.代科學(xué),李國輝.監(jiān)控視頻運(yùn)動目標(biāo)檢測減背景技術(shù)的研究現(xiàn)狀和展望[J].中國圖像圖形學(xué)報(bào).2006,11(7):919-927.萬纓,韓毅,盧漢清.運(yùn)動目標(biāo)檢測算法的探討[J].計(jì)算機(jī)仿真.2006,23(10):221-226.LiptonA,FujiyoshiHandPatilR.Movingtargetclassificationandtrackingfromreal-timevideo[J].In:ProcIEEEWorkshoponApplicationsofComputerVision,Princeton,NJ,1998,48-14.BieelingM.Displacementestimationbyhierarchicalblockmatching[J].SPIEVisualCommuandImageProcessing.VCIP88,Cambridge,MA,1988:942-951.V.Markandey,A.Reid,S.Wang.Motionestimationformovingtargetdetection[J].IEEETransactionsonAerospaceandElectronicSystems,1996,32(3):866-874.D.W.Murray,B.E.Buxton.Scenesegmentationfromvisualmotionusingglobaloptimization[J].IEEETrans.PatternAnalysisandMachineIntelligence,1987,9:220-228.田莘.基于MeanShift算法的目標(biāo)跟蹤問題研究[D].西安科技大學(xué)碩士學(xué)位論文,2010.FukunagaK,HostetlerLD.TheEstimationoftheGradientofaDensityFunction[J].IEEETrans.InformationTheory,1975,21:32-40.ChengYZ,MeanShift,Modeseeking,andClustering[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,1995.17(8):790-799.ComaniciuD,MeerP.MeanShiftAnalysisandApplication[C].ProceedingsoftheInternationalConferenceonComputerVision.1999:1197-1204.李光.基于均值偏移的視頻目標(biāo)跟蹤、檢測算法研究及系統(tǒng)實(shí)現(xiàn)[D].浙江理工大學(xué)碩士學(xué)位論文,2010.王帥.一種基于MeanShift的目標(biāo)跟蹤算法的研究[D].山東大學(xué)碩士學(xué)位論文,2011.ChengYZ,MeanShift,Modeseeking,andClustering[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,1995.17(8):790-799.ComaniciuD,RameshV,MeerP.Kernel-basedobjecttracking[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2003,25(5):564-577.XiaLM.Imagerestorationbasedonpaperfilter[C].Beijing:InProceedingsof7thInternationalConferenceonSignalProcessing,2004(2):1084-1087.

致謝時(shí)光飛逝，猶記當(dāng)年剛剛成為一名大學(xué)生的時(shí)候，滿心歡喜，帶著激動，帶著向往來到了學(xué)校。驀然回首，時(shí)間雖已悄悄溜走，但歲月還是留下了美好的記憶與我相伴。大學(xué)四年間，我首先要感謝王煥寶老師。謝謝王老師選擇了我作為您所帶的畢業(yè)生之一。在完成畢業(yè)設(shè)計(jì)的幾個(gè)月中，每周的組會上，王老師都會就我們論文課題完成情況給予指導(dǎo)。在這個(gè)過程中，我不僅在王老師身上學(xué)到了對學(xué)術(shù)要秉持認(rèn)真、嚴(yán)謹(jǐn)?shù)膽B(tài)度，在生活上也是如此，細(xì)節(jié)決定成敗。謝謝王老師，您的教導(dǎo)我將受益終生。同時(shí)感謝論文中所引用的參考文獻(xiàn)的作者。通過參考文獻(xiàn)的閱讀、學(xué)習(xí)，我對我的課題有了一定的了解，并在此基礎(chǔ)上進(jìn)行了MeanShift算法的實(shí)驗(yàn)研究，成功地完成了論文的撰寫。沒有你們的成果，我將需要走更多路。正所謂前人栽樹后人乘涼，謝謝你們。也感謝其他所有帶過我課程的老師們，感謝你們的孜孜不倦教誨，豐富了我知識的儲備庫。感謝孫晶晶學(xué)姐和王敏琪學(xué)長，在我撰寫論文遇到問題時(shí)，為我解答疑惑，少走很多彎路。感謝王老師帶領(lǐng)的論文交流小組中的每位同學(xué)，讓我在每次組會中得到了許多好的思路和想法。感謝室友還有其他和我一起度過大學(xué)生活的同學(xué)和朋友，四年相伴，有歡笑有淚水，成長的路上有你們真好。感謝家人的支持，你們的支持是我前進(jìn)的動力。

附錄程序代碼：1MeanShift]%AdamKukucka%ZachClay%MarceloMolina%CSE486Project3function[rowcentercolcenterM00]=meanshift(I,rmin,rmax,cmin,...cmax,probmap)%inputs%rmin,rmax,cmin,cmaxarethecoordiantesofthewindow%Iistheimage%outputs%colcenterrowcenterarethenewcentercoordinates%Mooisthezerothmean%**********************************************************************%initialize%**********************************************************************M00=0;%zerothmeanM10=0;%firstmomentforxM01=0;%firstmomentforyhistdim=(0:1:255);%dimensionsofhistogram...0to255,incrementby1[rowscols]=size(I);cols=cols/3;%**********************8%**********************************************************************%Maincode%**********************************************************************%determinezerothmomentforc=cmin:cmaxforr=rmin:rmaxM00=M00+probmap(r,c);endend%determinefirstmomentforx(col)andy(row)forc=cmin:cmaxforr=rmin:rmaxM10=M10+c*probmap(r,c);M01=M01+r*probmap(r,c);endend%determinenewcentroid%xiscolscolcenter=M10/M00;%yisrowsrowcenter=M01/M00;2分幀函數(shù)clc;clear;%%讀取視頻video_file='shiyan.avi';video=VideoReader(video_file);frame_number=floor(video.Duration*video.FrameRate);%%分離圖片fori=1:frame_numberimage_name=strcat('viptrain',num2str(i));image_name=strcat(image_name,'.jpg');I=read(video,i);%讀出圖片imwrite(I,image_name,'jpg');%寫圖片I=[];end3CamShift算法%AdamKukucka%ZachClay%MarceloMolina%CSE486Project3function[trackmovprobmovcenters]=camshift%******************************************************************%initializevariables%******************************************************************rmin=0;%minrowvalueforsearchwindowrmax=0;%maxrowvalueforsearchwindowcmin=0;%mincolvalueforsearchwindowcmax=0;%maxcolvalueforsearchwindownumofframes=0;%numberofframesintheavithreshold=1;%thresholdforconvergencecenterold=[00];%forconvergence...previouscenterofwindowcenternew=[00];%forconvergence...newcenterofwindow%******************************************************************%Precode...loadmovieandselectinitialframe%******************************************************************%promptuserforavifilename%user_entry=input('Pleaseenteranavifilename:','s');%loadtheavifile...handleisM%M=aviread(user_entry);M=aviread('shiyan.avi');%getnumberofframes[dontneednumberofframes]=size(M);%initializematrixtoholdcentercoordinatesimagecenters=zeros(numberofframes,2);%extractthefirstframefromtheaviFrame1=M(1,1);Image1=frame2im(Frame1);%%%**********images(:,:,numberofframes)=G(:,:);%getsearchwindowforfirstframe[cmin,cmax,rmin,rmax]=select(Image1);cmin=round(cmin);cmax=round(cmax);rmin=round(rmin);rmax=round(rmax);wsize(1)=abs(rmax-rmin);wsize(2)=abs(cmax-cmin);%createhistogram%translatetohsvhsvimage=rgb2hsv(Image1);%pulloutthehhuenorm=hsvimage(:,:,1);%scaleto0to255hue=huenorm*255;%setunittypehue=uint8(hue);%GettingHistogramofImage:histogram=zeros(256);fori=rmin:rmaxforj=cmin:cmaxindex=uint8(hue(i,j)+1);%countnumberofeachpixelhistogram(index)=histogram(index)+1;endend%******************************************************************%Algorithmfrompdf%******************************************************************%aviobj1=avifile('2.avi');%aviobj2=avifile('3.avi');%foreachframefori=1:numberofframesFrame=M(1,i);I=frame2im(Frame);%translatetohsvhsvimage=rgb2hsv(I);%pulloutthehhuenorm=hsvimage(:,:,1);%scaleto0to255hue=huenorm*255;%setunittypehue=uint8(hue);[rowscols]=size(hue);%chooseinitialsearchwindow%thesearchwindowis(cmin,rmin)to(cmax,rmax)%createaprobabilitymapprobmap=zeros(rows,cols);forr=1:rowsforc=1:colsif(hue(r,c)~=0)probmap(r,c)=histogram(hue(r,c));endendendprobmap=probmap/max(max(probmap));probmap=probmap*255;count=0;rowcenter=0;%anynumberjustsoitrunsthroughatleasttwicecolcenter=0;rowcenterold=30;colcenterold=30;%MeanShiftfor15iterationsoruntilconvergence(thecenterdoesnt%change)while(((abs(rowcenter-rowcenterold)>2)&&(abs(colcenter-colcenterold)>2))||(count<15))%forj=1:5%disp('meanshift');%disp(j);rmin=rmin-7;%increasewindowsizeandcheckforcenterrmax=rmax+7;cmin=cmin-7;cmax=cmax+7;rowcenterold=rowcenter;%saveoldcenterforconvergencecheckcolcenterold=colcenter;[rowcentercolcenterM00]=meanshift(I,rmin,rmax,cmin,...cmax,probmap);%givenimage(I),searchwindow(rminrmaxcmincmax)%returnsnewcenter(colcenter,rowcenter)forwindowand%zerothmoment(Moo)%redeterm