meanshift 的跟踪原理解析

写在开头：

             研究了一下午的meanshift 原理，终于弄得有点头绪了。望参考，如有不对之处，请留言，谢谢！！

meanshift 是什么玩意， 它能干啥就不在这里废话了。

                                                              

这张图熟悉的不能再熟悉的了，作为一下，喜欢用自己代码实现一些算法的大笨狗，我需要知道，

    （1）这些点（小黑点）是怎么计算得到的？

    （2）他们的计算过程是怎么实现的？

对于第二个问题，我想好多人都已经解释的很明白了，这里不再说了。

针对第一个问题，我查了好多资料，学到了一点自己的见解：

     a. 针对meanshift 的计算过程， 有人脸box（就是需要跟踪的区域），还有就是原图（就是输入图像，这个图像中包含了人脸）

     刚开始box标记在人脸上（第一帧，完全正确！），接下来的一帧 --- 新的一帧中（人脸移动了，但是box还在原处），现在就要移动box跟踪人脸，

    也就是在新的一帧中找人脸（如果直接检测就完全不需要跟踪啦。跟踪的目的就是减少检测的次数，因为检测太费劲！）

     那么就需要找出这一帧（新的一帧）中哪个区域与人脸（第一帧的box）比较相似了！！！

至此有了一个大的概念，在新的一帧中差找与人脸最相似的区域，并将box移动过去。

   又会有两个问题：

      （1）相似不相似怎么计算？

      （2）相似不相似怎么表现呢？

   对于第一个问题：

      有个叫什么皮尔逊相关性计算的公式，这里就不在细说。大概的意思是这样的，判断两个图像的相似性，可以通过计算两个图像直方图分布来计算。

   

 计算box图像与图像块1的相关性，可以得到一个[0,1]之间的数。

这样得到一个相关性图（概率图），每一个像素的值都是[0,1]的小数。这也没法看啊！！！怎么办？？？

劳动人民的智慧还是不错滴，将[0,1]映射到[0,255]就产生一张灰度图了。相关性越高的地方，在灰度图中就越亮。也就是第一张图中的各种点。我感觉这个灰度图就是反向投影图！！！不再解释，被其他博客的人坑了好长时间！

下面将计算第一个点是如何迈出它的第一步的：

似不似算出来的移动有点大，有点大，不用怕，第二次迭代的时候就修正过来啦！！！

貌似，我这种只是一种可见的方式，肯定还会有其他的移动方式，比如计算质心什么玩意的。对不对，大笨狗始终是大笨狗。

opencv官方文档中的meanshift迭代过程：

     

（by 终结大笨狗，如有问题，请留言指出）