我需要跟踪道路上的汽车，可以通过GMM监控物体变化，但是道路上的汽车从远到近改变其大小，建议用什么算法从远到近跟踪物体还是差不多？
答案 0 :(得分：1)
高斯混合模型（GMM）对于将汽车建模为对象并不是一个糟糕的选择，但我不确定如何使用它来模拟背景，因为它可能更加异构并且需要大量混合。学习GMM与EM（期望最大化）可能是处理密集型。所以我的建议是开始使用简单的直方图，它将对象建模为具有计数而不是高斯分布集合的箱的集合。下面我将介绍在OpenCV中实现的两种此类方法。
使用openCV开始跟踪的最简单方法是使用meanshift函数。相关方法Camshift是meanshift的修改版本，当对象改变其大小或方向时，它还校正初始边界框的大小和方向。您可以在openCV包的camshiftdemo.c中找到相应的演示。
meanshift和camshift的输入是一个概率图，其中每个像素指示（近似）它属于对象的可能性（以及可能的背景）。创建此类地图的一种方法是计算要跟踪的对象的直方图，然后将其反投影到图像中，因此，例如，如果您的直方图只有两个数据库，其中计数为90，I = 255，计数为10 I = 100，强度为255的每个像素的概率为90％，强度为100的每个像素的得率为10％（参见有关直方图backprojection的详细说明）。
请注意，这些方法基于某些功能的直方图，例如强度，颜色或其他任何功能。您可以尝试添加更多特征直方图，并更正将对象直方图与背景直方图相关联的概率图。最后，您可以更新每帧的直方图，以补偿对象和背景的变化。
现在，简而言之，它是如何运作的。顾名思义，meanshift根据概率平均值的位置（在此窗口内计算）移动初始窗口，并且平均值通常偏离（偏移）远离窗口中心并朝向最高概率群集（希望您的对象） ）。该过程迭代地重复直到收敛。
当然，如果您的初始猜测距离实际概率最大值太远，则窗口可能会陷入与您的对象无关的局部最大值。因此，高帧速率很重要，因为它可以保证对象在帧之间不会移动很多，并且可以使用先前的位置作为窗口位置初始化的合理猜测。