meanshift演算法

『壹』 meanshift分割演算法

1.識別靜態的整個人體較難；即使識別出來結果也不可靠，所以現在主要以手勢/人臉識別為主；這是因為手和臉上面有比較獨特的特徵點。你說的濾波歸根結底還是要找出具有灰度跳變的高頻部分作為人體；這除非背景中除了人以外沒有其他突出的物體；否則光憑濾波二值法檢測人體是不太現實。

2 兩張圖片中人要是產生相對運動，檢測起來就容易多了；利用幀間差分找到圖像中灰度相差大的部分（你用的濾波也是一種手段）；然後二值化區域連通；要是圖像中沒有其他移動物體計算連通區域的變動方向就是人的運動方向。

你可以去PUDN上搜搜相關的目標檢測的代碼;完全和你這個對應是不可能的。照你說的情況可以先建立起靜態背景的模型（或者直接在沒人的時候拍張）；然後不斷的與這個背景做差，原理和幀間差分一樣。建議你先從典型的幀間差分常式開始下手（比如移動車輛的檢測，這個比較多）。

你在二值化之後加上一個區域連通的步驟；即使用膨脹或者閉運算；這樣你的輪廓就是連續的了；用matlab的話bwlabel可以統計連通區域裡面像素的個數也就是人體面積大小。質心就是橫豎坐標的平均值；取所有人體點的橫豎坐標分別累加；除以坐標總數得到的x和y平均值；這個就是質心了

『貳』 meanshift或者說camshift演算法具體是怎樣使用直方圖反向投

基於顏色直方圖反向投影的跟蹤演算法，如Meanshift和Camshift，利用假設目標顏色直方圖與其他對象不同來進行目標定位。首先，從第一幀中框出目標，計算其顏色直方圖。

在第二幀中，利用計算出的目標顏色直方圖，將圖像進行反投影。這一過程產生一個顏色概率密度圖，其中目標像素顏色值為直方圖中非零值，非目標像素顏色值接近零。這樣，目標像素形成一個聚集區域，其質心即為目標位置，Meanshift演算法用於定位該質心。

Camshift演算法進一步計算聚集區域的大小，作為下一次Meanshift定位的參考。通過直觀展示，可以清晰理解這一過程。

實際應用時，需滿足相機幀率高、目標連續兩幀間有重合的假設。這兩個假設容易因環境變化而失效，需要額外策略如光流法來輔助預測目標位置。目標跟蹤中還需考慮多種問題，例如目標遮擋等。

目標跟蹤技術依賴於精確的成像環境控制，以及對目標動態的靈活調整。盡管存在挑戰，基於直方圖反向投影的跟蹤方法仍為計算機視覺領域提供了有效解決方案。