本文共 1392 字，大约阅读时间需要 4 分钟。

meanshift均值漂移算法目标跟踪中的经典之经典，在opencv中已经帮我们实现了这个算法，即如下函数

        //! updates the object tracking window using meanshift algorithm

        int meanShift( InputArray probImage, CV_OUT CV_IN_OUT Rect& window, TermCriteria criteria );

其中,参数1：probImage: probImage是概率分布图（）

        参数2：window: 需要跟新的窗口（x,y,width,height)

其实说白了，我们希望利用meanshift算法迭代找到probImage图(概率分布图)的重心位置（通过更新window来体现）。

利用meanshift做跟踪的大致步骤：

        (1) 计算目标区域的直方图：首先需要框定想要跟踪的目标（如手掌），确定目标有很多种方式，如可以人工通过鼠标选定，或者通过检测算法（如adboost手掌分类器)进行检测从而框定目标区域，之后，计算框定的目标区域的直方图（概率分布图）

        (2) 计算新帧的反向投影图：接着，对于新来的一帧图像，基于步骤(1)中得到直方图，求得新视频帧的反向投影图（概率分布图），这是因为反向投影图（概率图）中值最大的地方可能就是目标区域所在的地方（每一个像素点每一个像素点表示该点为目标区域的概率。这个点越亮，该点属于物体的概率越大），这也解释了为什么meanshift可以用来做跟踪，且需要输入图像是图像的反向投影图的原因了。

        (3) 利用meanshift算法对步骤(2)中得到的反向投影图（概率分布图）进行迭代搜索(对图进行搜索)，找到反向投影图的重心位置（即目标所在区域）

由上面可以看出，meanshift算法本质上的确是一个最优化理论中的求最优值得算法。它相当于最速下降法。即沿着梯度下降方法寻找目标函数的极值。在跟踪时，就是为了寻找到相似度值最大的候选目标位置。meanshift方法沿着概率密度的梯度方向（概率分布图）进行迭代移动，最终达到密度分布的最值位置。其迭代过程本质上是的最速下降法，下降方向为一阶梯度方向，步长为固定值。

meanshift跟踪时的代码大概为：

1.计算目标区域的直方图hist

calcHist(&roi, 1, 0, maskroi, hist, 1, &hue_Bins, &ranges);

2.计算新帧（待跟踪的帧）的反向投影（概率图）

calcBackProject(&hue, 1, 0, hist, backProject, &ranges, 1.0, true)

backProject &= mask

3.利用meanshift算法迭代寻找backProject的重心位置（其实是在trackWind和backProject交集的窗口上寻找backProject的重心位置）

meanShift(handProMap,trackWind, TermCriteria( CV_TERMCRIT_EPS | CV_TERMCRIT_ITER, 10, 1 ));

下面是理论的部分，通过一个图来看看meanshift的迭代过程。

图1

图2

图3

参考文献：

1.

2.

3.

4.

5.

6.

7.