基于均值漂移（Mean Shift）的物体跟踪算法MATLAB 实现

均值漂移（Mean Shift）是一种非参数密度梯度估计方法，通过计算概率密度梯度的零点（峰值）实现目标定位。在计算机视觉中，常用于基于颜色直方图的物体跟踪，具有计算高效、对形变部分鲁棒的特点。

一、算法原理

目标表示：用颜色直方图（通常为 HSV 空间的 H 通道）描述目标外观。
相似性度量：用巴氏系数（Bhattacharyya Coefficient）衡量候选区域与目标直方图的相似度。
均值漂移迭代：在当前帧中，以目标位置为中心，计算候选区域的直方图，通过梯度上升找到相似度最大的新位置，重复直到收敛。

二、MATLAB 代码

2.1 主脚本 `mean_shift_tracking.m`

%% 基于均值漂移的物体跟踪
clear; clc; close all;

%% ===== 1. 生成模拟视频（带移动目标）=====
video_path = 'test_video.avi';
generate_test_video(video_path);  % 手写模拟视频生成函数
fprintf('模拟视频已生成: %s\n', video_path);

%% ===== 2. 初始化跟踪参数 =====
params.window_radius = 25;     % 跟踪窗口半径（像素）
params.bin_num = 16;           % 直方图 bin 数量（H 通道分16级）
params.max_iter = 10;         % 最大迭代次数
params.eps = 1.0;             % 收敛阈值（像素）

% 打开视频
vid = VideoReader(video_path);
N_frames = vid.NumFrames;

% 读取第一帧，手动选择目标区域
frame = read(vid, 1);
figure('Color','w'); imshow(frame); title('请在目标上点击拖拽选择区域');
rect = getrect();  % 用户手动选择目标 [x, y, width, height]
target_pos = [rect(1)+rect(3)/2, rect(2)+rect(4)/2];  % 目标中心
target_size = [rect(3), rect(4)];

% 计算目标直方图
target_hist = calc_histogram(frame, target_pos, target_size, params.bin_num);

%% ===== 3. 开始跟踪 =====
track_pos = zeros(N_frames, 2);  % 存储每帧跟踪位置
track_pos(1,:) = target_pos;

figure('Color','w','Position',[100 100 800 600]);
for f = 2:N_frames
    frame = read(vid, f);
    
    % 均值漂移迭代
    [new_pos, iter] = mean_shift(frame, target_hist, track_pos(f-1,:), params);
    track_pos(f,:) = new_pos;
    
    % 可视化
    subplot(1,2,1); imshow(frame); hold on;
    rectangle('Position',[new_pos(1)-target_size(1)/2, new_pos(2)-target_size(2)/2, target_size(1), target_size(2)],...
              'EdgeColor','r','LineWidth',2);
    plot(new_pos(1), new_pos(2), 'ro', 'MarkerSize',8, 'MarkerFaceColor','r');
    title(sprintf('帧 %d/%d | 迭代 %d 次', f, N_frames, iter));
    hold off;
    
    % 显示目标直方图
    subplot(1,2,2); bar(target_hist); xlim([0 params.bin_num]);
    title('目标颜色直方图 (H通道)');
    drawnow;
end

%% ===== 4. 跟踪结果分析 =====
figure('Color','w');
subplot(1,2,1); plot(track_pos(:,1), track_pos(:,2), 'b.-'); grid on;
xlabel('X 像素'); ylabel('Y 像素'); title('跟踪轨迹');
subplot(1,2,2);
% 计算跟踪误差（假设第一帧位置为真值）
error = sqrt(sum((track_pos - track_pos(1,:)).^2, 2));
plot(1:N_frames, error, 'r-'); grid on;
xlabel('帧号'); ylabel('跟踪误差 (像素)'); title('跟踪稳定性');
sgtitle('均值漂移物体跟踪结果', 'FontSize',14, 'FontWeight','bold');

2.2 核心函数

2.2.1 生成模拟测试视频

function generate_test_video(video_path)
% 生成带移动目标的模拟视频
writer = VideoWriter(video_path);
writer.FrameRate = 30;
open(writer);

% 视频参数
frame_size = [480, 640, 3];  % 高×宽×通道
target_size = [60, 60];     % 目标大小
target_color = [255, 0, 0]; % 蓝色目标

% 目标运动轨迹（正弦曲线）
t = linspace(0, 2*pi, 100);
x_traj = 320 + 150*sin(t);
y_traj = 240 + 100*cos(t);

for f = 1:100
    % 创建背景（灰色）
    frame = uint8(ones(frame_size) * 128);
    
    % 绘制目标
    x = round(x_traj(f));
    y = round(y_traj(f));
    frame(y:y+target_size(1), x:x+target_size(2), 1) = target_color(1);  % R
    frame(y:y+target_size(1), x:x+target_size(2), 2) = target_color(2);  % G
    frame(y:y+target_size(1), x:x+target_size(2), 3) = target_color(3);  % B
    
    % 添加噪声
    frame = uint8(double(frame) + 10*randn(size(frame)));
    frame = max(0, min(255, frame));
    
    writeVideo(writer, frame);
end
close(writer);
end

2.2.2 颜色直方图计算（HSV 空间 H 通道）

function hist = calc_histogram(frame, center, size, bin_num)
% 计算目标区域的颜色直方图（HSV 空间 H 通道）
x = round(center(1) - size(1)/2);
y = round(center(2) - size(2)/2);
w = round(size(1));
h = round(size(2));

% 边界检查
x = max(1, x); y = max(1, y);
x_end = min(size(frame,2), x+w-1);
y_end = min(size(frame,1), y+h-1);

% 提取区域
region = frame(y:y_end, x:x_end, :);

% RGB 转 HSV（手写实现）
hsv_region = rgb2hsv_manual(region);

% 取 H 通道（0-1 范围）
H = hsv_region(:,:,1);

% 计算直方图
hist = zeros(bin_num, 1);
for i = 1:bin_num
    bin_low = (i-1)/bin_num;
    bin_high = i/bin_num;
    mask = (H >= bin_low) & (H < bin_high);
    hist(i) = sum(mask(:));
end

% 归一化（避免光照影响）
hist = hist / (sum(hist) + eps);
end

function hsv = rgb2hsv_manual(rgb)
% 手写 RGB 转 HSV（简化版）
rgb = double(rgb) / 255;
r = rgb(:,:,1); g = rgb(:,:,2); b = rgb(:,:,3);

max_val = max(max(r,g),b);
min_val = min(min(r,g),b);
delta = max_val - min_val;

% 计算 H
h = zeros(size(r));
mask = delta > 0;
h(mask & max_val==r) = 60 * mod((g(mask)-b(mask))./delta(mask), 6);
h(mask & max_val==g) = 60 * ((b(mask)-r(mask))./delta(mask) + 2);
h(mask & max_val==b) = 60 * ((r(mask)-g(mask))./delta(mask) + 4);
h = h / 360;  % 归一化到 0-1

% 计算 S
s = zeros(size(r));
s(mask) = delta(mask) ./ max_val(mask);

% 计算 V
v = max_val;

hsv = cat(3, h, s, v);
end

2.2.3 均值漂移迭代

function [new_pos, iter] = mean_shift(frame, target_hist, init_pos, params)
% 均值漂移迭代
current_pos = init_pos;
for iter = 1:params.max_iter
    % 1. 计算候选区域直方图
    candidate_hist = calc_histogram(frame, current_pos, [params.window_radius*2, params.window_radius*2], params.bin_num);
    
    % 2. 计算巴氏系数（相似性）
    bc = bhattacharyya_coefficient(target_hist, candidate_hist);
    
    % 3. 计算权重（均值漂移向量）
    weights = zeros(params.window_radius*2, params.window_radius*2);
    for i = 1:params.window_radius*2
        for j = 1:params.window_radius*2
            bin_idx = get_bin_index(frame, current_pos, [i,j], params.bin_num);
            if bin_idx > 0
                weights(i,j) = sqrt(target_hist(bin_idx) / (candidate_hist(bin_idx) + eps));
            end
        end
    end
    
    % 4. 计算新位置（加权平均）
    [X, Y] = meshgrid(-params.window_radius:params.window_radius-1, ...
                      -params.window_radius:params.window_radius-1);
    new_x = sum(sum(X .* weights)) / (sum(weights(:)) + eps);
    new_y = sum(sum(Y .* weights)) / (sum(weights(:)) + eps);
    
    % 5. 更新位置
    new_pos = current_pos + [new_x, new_y];
    
    % 6. 检查收敛
    if norm(new_pos - current_pos) < params.eps
        break;
    end
    current_pos = new_pos;
end
end

function bc = bhattacharyya_coefficient(h1, h2)
% 巴氏系数（衡量两个直方图的相似度）
bc = sum(sqrt(h1 .* h2));
end

function bin_idx = get_bin_index(frame, center, offset, bin_num)
% 获取像素点的直方图 bin 索引
x = round(center(1) + offset(1) - bin_num/2);
y = round(center(2) + offset(2) - bin_num/2);
if x < 1 || x > size(frame,2) || y < 1 || y > size(frame,1)
    bin_idx = 0;
    return;
end
% 简化：直接取 RGB 平均值作为 bin 索引（实际应用 HSV 更准确）
pixel = double(frame(y,x,:))/255;
bin_idx = round(mean(pixel) * bin_num);
bin_idx = max(1, min(bin_num, bin_idx));
end

三、运行说明

3.1 直接运行

保存所有函数为 .m 文件
运行 mean_shift_tracking.m
在第一帧图像上手动拖拽选择目标区域
自动开始跟踪并显示结果

3.2 参数调优建议

参数	建议值	作用
`window_radius`	20~40	跟踪窗口大小，需略大于目标尺寸
`bin_num`	8~32	直方图 bin 数量，越多越精细但越慢
`max_iter`	5~15	迭代次数，通常 5 次即可收敛

3.3 预期效果

跟踪轨迹：平滑跟随目标移动
稳定性：对目标轻微形变、部分遮挡鲁棒
速度：实时（>30 FPS）

参考代码基于均值漂移算法的物体跟踪算法 www.youwenfan.com/contentcnw/82039.html

四、算法优缺点

优点	缺点
计算高效，适合实时跟踪	对快速运动目标容易丢失
无需训练，初始化简单	依赖颜色特征，易受光照变化影响
对部分遮挡鲁棒	窗口大小固定，不适应目标尺度变化

五、改进方向

CamShift（连续自适应均值漂移）：自动调整窗口大小适应目标尺度变化
多特征融合：结合颜色、纹理、边缘特征提高鲁棒性
卡尔曼滤波：预测目标运动，减少快速运动丢失
抗遮挡策略：引入重检测机制（如模板匹配）

posted @ 2026-06-23 17:16 康帅服阅读(4) 评论(0) 收藏举报

刷新页面返回顶部

fji888

基于均值漂移（Mean Shift）的物体跟踪算法MATLAB 实现

一、算法原理

二、MATLAB 代码

2.1 主脚本 `mean_shift_tracking.m`

2.2 核心函数

2.2.1 生成模拟测试视频

2.2.2 颜色直方图计算（HSV 空间 H 通道）

2.2.3 均值漂移迭代

三、运行说明

3.1 直接运行

3.2 参数调优建议

3.3 预期效果

四、算法优缺点

五、改进方向

公告

fji888

基于均值漂移（Mean Shift）的物体跟踪算法MATLAB 实现

一、算法原理

二、MATLAB 代码

2.1 主脚本 mean_shift_tracking.m

2.2 核心函数

2.2.1 生成模拟测试视频

2.2.2 颜色直方图计算（HSV 空间 H 通道）

2.2.3 均值漂移迭代

三、运行说明

3.1 直接运行

3.2 参数调优建议

3.3 预期效果

四、算法优缺点

五、改进方向

公告

2.1 主脚本 `mean_shift_tracking.m`