@[TOC]
在这里插入图片描述
一、黑白图片
来自：轻舞飞扬
在了解色彩空间前，先了解一下黑白图片的形成。
用光线对着传感器，从传感器的立场上来看的话，一部分接收到了光线，那么这一部分就是明亮的，一部分没有接收到光线，那么这一部分将会是黑暗的，我们可以视为传感器存在两个通道。
如果传感器存在多个通道的话，意思就是说我们将光线进行分类，高能量的，中等能量的，低能量的等等多种分类，传感器对这多种能力进行区分显示出不同的颜色。
不同的颜色有不同的能量分布，一般来说红色（R）在600-700nm波长处能量最高，绿色在534-555nm处能量最高，蓝色（B）在420-440nm处能力最高。
在这里插入图片描述
二、HSV颜色空间
✨色调H
用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,品红为300°；
✨饱和度S
饱和度S表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0%～100%，值越大，颜色越饱和。
✨明度V
明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%(黑)到100%(白)。
HSV模型的三维表示从RGB立方体演化而来。设想从RGB沿立方体对角线的白色顶点向黑色顶点观察，就可以看到立方体的六边形外形。六边形边界表示色彩，水平轴表示纯度，明度沿垂直轴测量。<center>
在这里插入图片描述
在这里插入图片描述
</center>
在这里插入图片描述
三、OpenCV中的HSV
HSV颜色空间与人眼较为接近，一般以HSV为颜色检测和识别。
opencv H范围（0-180） S(0-255) V(0-255)。
1. HSV二值化处理的函数:
-
说明
检查数组元素是否位于其他两个数组的元素之间。
该功能检查范围如下：🎈 对于单通道输入数组的每个元素：
🎈 对于两通道阵列：
也就是说，如果src(I)在指定的1D，2D，3D等区域内，则dst(I)设置为255(全1位)，否则设置为0。
==高低阈值指的是hsv的高低阈值,当图像的hsv在高低阈值之间那么输出图像为255(白)，否则为0(黑色)。==
当下边界参数和/或上边界参数为标量时，应忽略上式中在lowerb和upperb处的索引(I)。
- 声明
void inRange(InputArray src, InputArray lowerb,InputArray upperb, OutputArray dst); - 参数
src 输入图像 lowerb 低阈值 upperb 高阈值。 dst 输出图像（大小与输入图像一样，类型是8U）相当于：Mat dstImage = Mat::zeros(srcImage.size(),CV_8U);
2. HSV颜色范围的选取：
HSV色环
内容来自: 阿卡蒂奥
比如我们选择某个偏红色的范围：
💢 1. 色环图中这个区间即BGR(0,128,255)到BGR(255,0,213)；
💢 2. B、G、R这三个通道的范围分别为0-255，0-128，213-255。
💢 3. 因此阈值下限lowerb=Scalar(0,0,213），阈值上限upperb=Scalar(255,128,255)。
在这里插入图片描述
四、颜色直方图的获取与目标跟踪
1. 颜色直方图的获取
颜色直方图是对运动目标表面颜色分布的统计，不受目标的形状、姿态等变化的影响。所以用直方图作为目标的特征，依据颜色分布进行匹配，具有稳定性好、抗部分遮挡、计算方法简单和计算量小的特点，是比较理想的目标颜色特征。为了抵抗光照亮暗带来的影响，一般的颜色直方图均在HSV色系下提取。
对HSV3个分量按照对颜色变化的敏感程度不同分别进行量化。设量化后，3个分量的取值范围分别为，
，
按照
的形式排列成一个矢量，则其范围为:
设颜色i的像素点个数为
,图像的像素点的总数为：<center>
在这里插入图片描述
</center>则颜色i的出现概率，即被定义为颜色直方图，即<center>
在这里插入图片描述
</center>
2.基于颜色直方图的目标跟踪
因为颜色直方图是矢量，以此作为特征进行目标跟踪时，即基于颜色直方图的目标跟踪时，可采用Bhattacharyya距离作为两直方图相似度的度量。计算公式为：<center>
在这里插入图片描述
在这里插入图片描述
</center>
其中：为两直方图的Bhattacharyya系数；p为候选目标直方图分布；
为模板直方图分布；
为两直方图的Bhattacharyya距离，其值越小，表明两直方图的相似度越高；反之，两直方图相似度越低。
五、camshift算法原理
camshift就是利用目标的颜色直方图模型将图像转换为颜色概率分布图，初始化一个搜索窗的大小和位置，并根据上一帧得到的结果自适应调整搜索窗口的位置和大小，从而定位出当前图像中目标的中心位置。
分为三个部分：
1. 色彩投影图（反向投影）：
(1) RGB颜色空间对光照亮度变化较为敏感，为了减少此变化对跟踪效果的影响，==首先将图像从RGB空间转换到HSV空间==。
(2) 然后==对其中的H分量作直方图，在直方图中代表了不同H分量值出现的概率或者像素个数==，就是说可以查找出H分量大小为h的概率或者像素个数，即得到了颜色概率查找表。
(3) ==将图像中每个像素的值用其颜色出现的概率对替换，就得到了颜色概率分布图==。这个过程就叫反向投影，颜色概率分布图是一个灰度图像。
2. meanshift
meanshift算法是一种密度函数梯度估计的非参数方法，通过迭代寻优找到概率分布的极值来定位目标。
算法过程：
💞1）. 在颜色概率分布图中选取搜索窗W
💞2）. 计算阶距：
- 计算零阶矩
)
- 计算一阶矩:
%7D)
- 计算搜索窗的质心:
💞3）调整搜索窗的大小
💞4）移动搜索窗的中心到质心，如果移动距离大于预设的固定阈值，则重复2)3)4)，直到搜索窗的中心与质心间的移动距离小于预设的固定阈值，或者循环运算的次数达到某一最大值，停止计算。关于meanshift的收敛性证明可以google相关文献。
3. camshift
将meanshift算法扩展到连续图像序列，就是camshift算法。==它将视频的所有帧做meanshift运算，并将上一帧的结果，即搜索窗的大小和中心，作为下一帧meanshift算法搜索窗的初始值==。如此迭代下去，就可以实现对目标的跟踪。
算法过程
(1).初始化搜索窗
(2).计算搜索窗的颜色概率分布（反向投影）
(3).运行meanshift算法，获得搜索窗新的大小和位置。
(4).在下一帧视频图像中用(3)中的值重新初始化搜索窗的大小和位置，再跳转到(2)继续进行。
camshift能有效解决目标变形和遮挡的问题，对系统资源要求不高，时间复杂度低，在简单背景下能够取得良好的跟踪效果。但当背景较为复杂，或者有许多与目标颜色相似像素干扰的情况下，会导致跟踪失败。因为它单纯的考虑颜色直方图，忽略了目标的空间分布特性，所以这种情况下需加入对跟踪目标的预测算法。
4. OpenCV中相关API
1. 直方图
前面已经提过：
OpenCV--017：图像直方图
OpenCV--018:图像直方图均衡化
OpenCV--020:图像直方图反向投影
OpenCV--021：直方图规定化
2. CamShift函数
-
说明
查找对象的中心，大小和方向。 -
声明
RotatedRect cv::CamShift( InputArray probImage, Rect &window, TermCriteria criteria ) Python: retval, window=cv.CamShift( probImage, window, criteria ) -
参数
probImage 对象直方图的反向投影。 window 初始搜索窗口。 criteria 底层meanShift的停止条件。 criterial:
OpenCV--TermCriteria类
返回(在旧接口中)CAMSHIFT用于收敛函数的迭代次数，实现CAMSHIFT对象跟踪算法。首先，它使用meanShift找到一个对象中心，然后调整窗口大小，找到最佳旋转。该函数返回旋转后的矩形结构，其中包括对象位置、大小和方向。通过RotatedRect::boundingRect()可以获得搜索窗口的下一个位置。
六、基于颜色特征的目标跟踪
//用HSV中的Hue分量进行跟踪
Mat image;
//表示是否要进入反向投影模式，true则表示要进入反向投影模式
bool backprogectMode = false;
//表示在选中要跟踪的初始目标，true表示正在用鼠标选择要跟踪的目标
bool selectObject = false;
//跟踪目标的个数
int trackObject = 0;
//是否显示HUE分量直方图
bool showHist = true;
//用于保存鼠标选择第一次单击时点的位置
Point origin;
//用于保存鼠标选择的矩形框
Rect selection;
int vmin = 10, vmax = 256, smin = 30;
//鼠标事件,该函数用鼠标进行跟踪目标的选择
static void onMouse(int event,int x,int y,int ,void*) {
//鼠标左键按下时，则条件为true,在用鼠标进行目标选择
//if里面的代码块就是确定所选择的矩形区域selection
if (selectObject) {
//确定鼠标点击的矩形左上角顶点的坐标
selection.x = MIN(x, origin.x);
cout << "origin: " << origin.x <<",";
selection.y = MIN(y, origin.y);
cout << origin.y << endl;
selection.width = std::abs(x - origin.x);//矩形宽
selection.height = std::abs(y - origin.y);//矩形高
//用于确保所选的矩形区域在图片区域内
selection &= Rect(0, 0, image.cols, image.rows);
}
switch (event)
{
//鼠标按下,开始点击选择跟踪物体
case EVENT_LBUTTONDOWN:
//记录鼠标第一次按下的位置
origin = Point(x, y);
//鼠标刚按下去时，初始化了一个矩形区域
selection = Rect(x, y, 0, 0);
selectObject = true;
break;
//鼠标松开,完成选择跟踪物体
case EVENT_LBUTTONUP:
selectObject = false;
//如果选择物体有效，则打开跟踪功能
if (selection.width > 0 && selection.height > 0)
trackObject = -1;
break;
}
}
static void help() {
cout << "\n这是一个基于meanShift算法的demo：\n"
" 你可以选择一个跟踪的颜色目标，比如你的脸。\n";
cout << "\n\nHot keys: \n"
"\tESC - quit the program\n"
"\tc - stop the tracking\n"
"\tb - switch to/from backprojection view\n"
"\th - show/hide object histogram\n"
"To initialize tracking, select the object with mouse: \n";
}
static void camshiftTest() {
help();
VideoCapture cap;
Rect trackWindow;
int hsize = 16;
float hranges[] = { 0,180 };
const float* phranges = hranges;
//打开默认的摄像头
cap.open(0);
//判断摄像头是否成功打开
if (!cap.isOpened())
{
help();
cout << "***could not initialize capturing...***\n";
return ;
}
//直方图窗口：用于显示直方图
namedWindow("Histogram", 0);
//CamShift ：用于显示视频
namedWindow("CamShift Demo", 0);
//设置鼠标回调函数
setMouseCallback("CamShift Demo", onMouse, 0);
//createTrackbar函数的功能是在对应的CamShift Demo窗口创建滑动条Vmin,Vmax,Smin
//滑动条的值最大为256,最后一个参数为0代表没有调用滑动拖动的响应函数
//vmin,vmax,smin初始值分别为10，256，30
createTrackbar("Vmin", "CamShift Demo", &vmin, 256, 0);
createTrackbar("Vmax", "CamShift Demo", &vmax, 256, 0);
createTrackbar("Smin", "CamShift Demo", &smin, 256, 0);
Mat frame, hsv, hue, mask, hist, histimg = Mat::zeros(200, 320, CV_8UC3), backproj;
bool paused = false;
for (;;) {
if (!paused)
{
//从摄像头中读取的一帧存在frame中
cap >> frame;
//若读取失败，停止循环
if (frame.empty())
{
break;
}
}
frame.copyTo(image);
if (!paused)
{
//将BGR颜色空间转化成HSV颜色空间
cvtColor(image, hsv, COLOR_BGR2HSV);
//判断是否存在需要追踪的目标,非0即有需要跟踪的目标
if (trackObject)
{
//获取进度条中设置的值
int _vmin = vmin, _vmax = vmax;
//inRange函数的功能是检查输入数组每个元素大小是否在2个给定数值之间，
//如果3个通道都在对应的范围内，则mask对应的那个点的值全为1(0xff)，否则为0(0x00).
//可以是多通道的,mask保存0通道的最小值，也就是h分量
//这里利用了hsv的3个通道，比较h:0~180,s:smin~256,v:min(vmin,vmax),max(vmin,vmax)。
inRange(hsv, Scalar(0, smin, MIN(_vmin, _vmax)), Scalar(180, 256, MAX(_vmin, _vmax)), mask);
int ch[] = { 0,0 };
//hue初始化为与hsv大小深度一样的矩阵，色调的度量是用角度表示的，红绿蓝之间相差120度，反色相差180度
hue.create(hsv.size(), hsv.depth());
//将hsv第一个通道(也就是色调)的数复制到hue中，0索引数组
mixChannels(&hsv, 1, &hue, 1, ch, 1);
//表示已经选择了有效地待追踪区域
if (trackObject < 0)
{
//此处的构造函数roi用的是Mat hue的矩阵头，且roi的数据指针指向hue，即共用相同的数据，selection为其感兴趣的区域
Mat roi(hue, selection);
//设置掩膜板选择框为ROI
Mat maskroi(mask, selection);
//得到选择框内且满足掩膜板内的直方图
//calcHist()函数：第1个参数：输入矩阵序列
// 第2个参数：表示输入的矩阵数目，
// 第3个参数：表示将被计算直方图维数通道的列表，
// 第4个参数：表示可选的掩码函数
// 第5个参数：表示输出直方图，
// 第6个参数: 表示直方图的维数，
// 第7个参数: 为每一维直方图数组的大小，
// 第8个参数: 为每一维直方图bin的边界
calcHist(&roi, 1, 0, maskroi, hist, 1, &hsize, &phranges);
//将hist矩阵进行归一化，都归一化到0-255
normalize(hist, hist, 0, 255, NORM_MINMAX);
trackWindow = selection;
//置trackObject为1,表明属性提取完成
//只要鼠标选完区域松开后，且没有按键盘清0键'c'，则trackObject一直保持为1，因此该if函数只能执行一次，除非重新选择跟踪区域
trackObject = 1;
//与按下‘c’键是一样的，这里的all（0）表示的是标量全部清0
histimg = Scalar::all(0);
//histing是一个200*300的矩阵，hsize应该是每一个bin的宽度，也就是histing矩阵能分出几个bin出来
int binW = histimg.cols / hsize;
//定义一个缓冲单bin矩阵
Mat buf(1, hsize, CV_8UC3);
//saturate_case函数为从一个初始类型准确变换到另一个初始类型
for (int i = 0; i < hsize; i++)
{
buf.at<Vec3b>(i) = Vec3b(saturate_cast<uchar>(i * 180. / hsize), 255, 255);
}
cvtColor(buf, buf, COLOR_HSV2BGR);
for (int i = 0; i < hsize; i++)
{
//at函数为返回一个指定数组元素的参考值
//画直方图到图像空间，指定左上角和右下角，并定义颜色，大小，线型等
int val = saturate_cast<int>(hist.at<float>(i) * histimg.rows / 255);
rectangle( histimg,
Point(i * binW, histimg.rows),
Point((i + 1) * binW, histimg.rows - val),
Scalar(buf.at<Vec3b>(i)),-1, 8);
}
}
//计算直方图的反向投影
//计算hue图像0通道直方图hist的反向投影，并让入backproj中
calcBackProject(&hue, 1, 0, hist, backproj, & phranges);
backproj &= mask;
//得到掩膜内的反向投影
//trackWindow为鼠标选择的区域，TermCriteria为确定迭代终止的准则
//使用MeanShift算法对backproj中的内容进行搜索,返回跟踪结果
RotatedRect trackBox = CamShift(backproj, trackWindow,TermCriteria(1 | 2, 10, 1));
//如果鼠标选择的区域trackWindow小于等于1，重置trackWindow区域
if (trackWindow.area() <= 1)
{
int cols = backproj.cols, rows = backproj.rows, r = (MIN(cols, rows) + 5) / 6;
trackWindow = Rect(trackWindow.x - r, trackWindow.y - r,
trackWindow.x + r, trackWindow.y + r) &
Rect(0, 0, cols, rows);
}
if (backprogectMode)
cvtColor(backproj, image, COLOR_GRAY2BGR);
//画出跟踪结果的位置：以椭圆为代表
ellipse(image, trackBox, Scalar(0, 0, 255), 3);
}
}
else if (trackObject < 0) {
paused = false;
}
//如果正处于物体选择，画出选择框
if (selectObject && selection.width > 0 && selection.height > 0)
{
Mat roi(image, selection);
bitwise_not(roi, roi);// bitwise_not为将每一个bit位取反
}
imshow("CamShift Demo", image);
imshow("Histogram", histimg);
char c = (char)waitKey(10);
if (c == 27)//退出键
break;
switch (c)
{
case 'b'://反向投影模型交替
backprogectMode = !backprogectMode;
break;
case 'c'://清零跟踪目标对象
trackObject = 0;
histimg = Scalar::all(0);
break;
case 'h'://显示直方图交替
showHist = !showHist;
if (!showHist)
destroyWindow("Histogram");
else
namedWindow("Histogram", 1);
break;
case 'p'://暂停跟踪交替
paused = !paused;
break;
default:
;
}
}
}
int main(){
//Mat src=imread("D:/test/sh.png");
//inRangeTest(src);
camshiftTest();
waitKey(0);
}
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
学习资料
-
ps:虽然不认识，但是每次看到都想哭，一想到他就会想起对我很重要的一个人。愿他们在天上能快快乐乐的。
网友评论