OpenCV实时目标跟踪开发部署 - 第4节

4. 均值漂移算法

MeanShift · 核函数 · 迭代 · OpenCV

均值漂移（MeanShift）是一种基于密度梯度上升的非参数迭代算法，广泛应用于目标跟踪、图像分割与聚类。本章从原理出发，逐步拆解核函数、迭代过程，并给出 OpenCV 实现与调优建议。

4.1 MeanShift 原理

MeanShift 的核心思想：在特征空间中，通过计算窗口内样本点的均值偏移向量，不断向密度最大的区域移动，直至收敛。对于目标跟踪，通常将颜色直方图作为特征，利用 Bhattacharyya 系数度量候选区域与目标模型的相似度。

迭代公式：m(x) = ( Σ K(x-xi)·xi ) / ( Σ K(x-xi) ) - x，其中 K 为核函数。

4.2 核函数

核函数赋予不同距离的样本不同的权重，常用核函数包括 Epanechnikov 核、高斯核等。在 OpenCV 中 MeanShift 默认使用 Epanechnikov 核。

核函数	表达式	特点
Epanechnikov	K(u)=¾(1-u²) , |u|≤1	最优均方误差，计算快
高斯核	K(u)=exp(-½u²)	平滑，无限支撑
Uniform	K(u)=½ , |u|≤1	简单，无权重

4.3 迭代过程

1. 初始化：选择搜索窗口（位置、大小），计算目标模型直方图。
2. 计算候选直方图：在当前窗口内提取颜色直方图。
3. 计算权重：基于目标模型与候选直方图的比值，为每个像素赋予权重。
4. 均值漂移向量：利用核函数加权计算新位置。
5. 更新窗口：将窗口中心移至新位置，重复步骤2-4直到收敛（漂移量小于阈值）。

4.4 OpenCV 实现与参数调优

OpenCV 提供 cv.meanShift() 函数，需要提前计算目标直方图并传入反向投影。下面是一个完整的跟踪循环示例。

import cv2
import numpy as np

# 读取视频第一帧并选择目标
cap = cv2.VideoCapture('video.mp4')
ret, frame = cap.read()
x, y, w, h = cv2.selectROI(frame, False)
track_window = (x, y, w, h)

# 计算目标区域HSV直方图
roi = frame[y:y+h, x:x+w]
hsv_roi = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)
mask = cv2.inRange(hsv_roi, np.array((0., 60., 32.)), np.array((180., 255., 255.)))
roi_hist = cv2.calcHist([hsv_roi], [0], mask, [180], [0, 180])
cv2.normalize(roi_hist, roi_hist, 0, 255, cv2.NORM_MINMAX)

# 设置MeanShift终止条件
term_crit = (cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 1)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    dst = cv2.calcBackProject([hsv], [0], roi_hist, [0, 180], 1)
    ret, track_window = cv2.meanShift(dst, track_window, term_crit)
    x, y, w, h = track_window
    cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
    cv2.imshow('MeanShift', frame)
    if cv2.waitKey(30) & 0xFF == 27:
        break
cap.release()
cv2.destroyAllWindows()

参数调优建议

参数	影响	推荐范围
直方图 bins	粒度，越大区分度越高但易受噪声影响	16~32
终止条件迭代次数	收敛速度与精度平衡	10~20
终止条件 epsilon	漂移像素阈值	0.5~2.0
窗口初始大小	过小易丢失，过大包含背景	目标尺寸的1.0~1.2倍