meanshift算法

‘壹’ meanshift分割算法

1.识别静态的整个人体较难；即使识别出来结果也不可靠，所以现在主要以手势/人脸识别为主；这是因为手和脸上面有比较独特的特征点。你说的滤波归根结底还是要找出具有灰度跳变的高频部分作为人体；这除非背景中除了人以外没有其他突出的物体；否则光凭滤波二值法检测人体是不太现实。

2 两张图片中人要是产生相对运动，检测起来就容易多了；利用帧间差分找到图像中灰度相差大的部分（你用的滤波也是一种手段）；然后二值化区域连通；要是图像中没有其他移动物体计算连通区域的变动方向就是人的运动方向。

你可以去PUDN上搜搜相关的目标检测的代码;完全和你这个对应是不可能的。照你说的情况可以先建立起静态背景的模型（或者直接在没人的时候拍张）；然后不断的与这个背景做差，原理和帧间差分一样。建议你先从典型的帧间差分例程开始下手（比如移动车辆的检测，这个比较多）。

你在二值化之后加上一个区域连通的步骤；即使用膨胀或者闭运算；这样你的轮廓就是连续的了；用matlab的话bwlabel可以统计连通区域里面像素的个数也就是人体面积大小。质心就是横竖坐标的平均值；取所有人体点的横竖坐标分别累加；除以坐标总数得到的x和y平均值；这个就是质心了

‘贰’ meanshift或者说camshift算法具体是怎样使用直方图反向投

基于颜色直方图反向投影的跟踪算法，如Meanshift和Camshift，利用假设目标颜色直方图与其他对象不同来进行目标定位。首先，从第一帧中框出目标，计算其颜色直方图。

在第二帧中，利用计算出的目标颜色直方图，将图像进行反投影。这一过程产生一个颜色概率密度图，其中目标像素颜色值为直方图中非零值，非目标像素颜色值接近零。这样，目标像素形成一个聚集区域，其质心即为目标位置，Meanshift算法用于定位该质心。

Camshift算法进一步计算聚集区域的大小，作为下一次Meanshift定位的参考。通过直观展示，可以清晰理解这一过程。

实际应用时，需满足相机帧率高、目标连续两帧间有重合的假设。这两个假设容易因环境变化而失效，需要额外策略如光流法来辅助预测目标位置。目标跟踪中还需考虑多种问题，例如目标遮挡等。

目标跟踪技术依赖于精确的成像环境控制，以及对目标动态的灵活调整。尽管存在挑战，基于直方图反向投影的跟踪方法仍为计算机视觉领域提供了有效解决方案。