基于meanshift算法的目标聚类和目标跟踪matlab仿真

1.算法描述

       meanshift算法其实通过名字就可以看到该算法的核心，mean（均值），shift（偏移），简单的说，也就是有一个点 ,它的周围有很多个点  我们计算点  移动到每个点  所需要的偏移量之和，求平均，就得到平均偏移量，（该偏移量的方向是周围点分布密集的方向）该偏移量是包含大小和方向的。然后点  就往平均偏移量方向移动，再以此为新的起点不断迭代直到满足一定条件结束。

 

       中心点就是我们上面所说的  周围的小红点就是  黄色的箭头就是我们求解得到的平均偏移向量。那么图中“大圆圈”是什么东西呢？我们上面所说的周围的点  周围是个什么概念？总的有个东西来限制一下吧。那个“圆圈”就是我们的限制条件，或者说在图像处理中，就是我们搜索迭代时的窗口大小。

 

       步骤1、首先设定起始点  ，我们说了，是球，所以有半径  ， 所有在球内的点就是  , 黑色箭头就是我们计算出来的向量  , 将所有的向量  进行求和计算平均就得到我们的meanshift 向量，也就是图中黄色的向量。

 

        接着，再以meanshift向量的重点为圆心，再做一个高维的球，如下图所示，重复上面的步骤，最终就可以收敛到点的分布中密度最大的地方

 

算法步骤：

 

           1）在未被标记的数据点中随机选择一个点作为起始中心点center；

 

           2）找出以center为中心半径为radius的区域中出现的所有数据点，认为这些点同属于一个聚类C，同时在该聚类中记录数据点出现的次数加1；

 

           3）以center为中心点，计算从center开始到集合M中每个元素的向量，将这些向量相加，得到向量shift;

 

           4）center=center+shift,即center沿着shift方向移动，移动距离为||shift||；

 

           5）重复步骤2，3，4，直到shift很小，记得此时的center。注意，这个迭代过程中遇到的点都应该归类到簇C；

 

           6）如果收敛时当前簇C的center与其它已经存在的簇C2中心的距离小于阈值，那么把C2与C合并，数据点出现次数也对应合并。否则把C作为新的聚类；

 

           7）重复1，2，3，4，5直到所有点都被标记为已访问；

 

           8）分类：根据每个类，对每个点的访问频率，取访问频率最大的那个类，作为当前点集的所属类。

 

 

 

 

        对式(33)右边的第二项,我们可以利用Mean Shift算法进行最优化.在Comaniciu等人的文章中,他们只用平均每帧图像只用4.19次Mean Shift迭代就可以收敛,他们的结果很显示在600MHz的PC机上,他们的程序可以每秒处理30帧352240象素的图像.下图显示了各帧需要的Mean Shift迭代次数.

 

2.仿真效果预览

matlab2022a仿真结果如下：

 

 

 

 

3.MATLAB核心程序

 

[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);
 
hsvimage = rgb2hsv(Image1);
% pull out the h
huenorm = hsvimage(:,:,1);
 
hue = huenorm*255;
 
hue=uint8(hue);
 
histogram = zeros(256);
 
for i=rmin:rmax
    for j=cmin:cmax
        index = uint8(hue(i,j)+1);   
 
        histogram(index) = histogram(index) + 1;
    end
end