rq(3).rar_SVM 目标跟踪_adaboost_人头分类器_人头跟踪_目标跟踪 HOG

source=dir('F:\xunlei\caltechxunlian\12\*.jpg'); fr=imread(source(1).name); % 读取该图像作为背景 fr_bw1 = rgb2gray(fr); % 将背景转换为灰度图像 fr_size = size(fr); %取帧大小 width = fr_size(2); height = fr_size(1); %获取原图像的尺寸 fg = zeros(height, width); %前景,读取的第二张图片获得 bg_bw = zeros(height, width);%背景,读取的第一张图片获得 fr_bw1 = double(fr_bw1); % --------------------- mog variables ----------------------------------- C = 3; % 组成混合高斯的单高斯数目 (一般3-5) D = 2.5; % 阈值（一般2.5个标准差） alpha = 0.01; % learning rate 学习率决定更新速度(between 0 and 1) (from paper 0.01) thresh = 0.25; % foreground threshold 前景阈值(0.25 or 0.75 in paper) sd_init = 36; % initial standard deviation 初始化标准差(for new components) var = 36 in paper w = zeros(height,width,C); % initialize weights array 初始化权值数组 w(:,:,1) = 1; w(:,:,2:C) = 2^-10; % 第一个高斯分布的初始权重为1，其余分布的权重为0 mean = zeros(height,width,C); % pixel means 像素均值 mean(:,:,1) = fr_bw1; % 第一个高斯分布的初始均值为参考帧的值，其余分布的均值为0s sd = sd_init*ones(height,width,C); % pixel standard deviations 像素标准差 matchcnt = ones(height, width,C); % 匹配的次数，初始值都设为1 u_diff = zeros(height,width,C); % difference of each pixel from mean 图片与高斯均值的差 for n = 2:(length(source)-2) %there will be false route line,so it only include the pictures which has the car fr = imread(source(n).name); % read in frame 读取帧 fr_bw = rgb2gray(fr); % convert frame to grayscale 转换为灰度图像 fr_bw = double(fr_bw); % 将灰度图值设置为双精度 %求导入进来的图片与各个高斯均值的差 for m=1:C u_diff(:,:,m) = abs(fr_bw - double(mean(:,:,m))); end % update gaussian components for each pixel 更新每个像素的背景模型 %rank_ind = zeros(C,1); for i=1:height for j=1:width match = 0; %像素与高斯模型匹配的标识 match_ind = 0;%为该像素最匹配的高斯模型的标号 for k=1:C %与第k个高斯模型进行比对，然后更新参数 if (abs(u_diff(i,j,k)) <= D*sd(i,j,k) && (match == 0)) % pixel matches component像素匹配了高斯中的第k个模型 match = 1; % variable to signal component match 设置匹配标记 match_ind = k; % update weights, mean, sd, p 更新权值，均值，标准差和参数学习率 p = alpha/w(i,j,k); %理应使用p = alpha/gaussian才对，这里勉强 w(i,j,k) = (1-alpha)*w(i,j,k) + alpha; %p = alpha/w(i,j,k); %理应使用p = alpha/gaussian才对，这里勉强 mean(i,j,k) = (1-p)*mean(i,j,k) + p*double(fr_bw(i,j)); sd(i,j,k) = sqrt((1-p)*(sd(i,j,k)^2) + p*((double(fr_bw(i,j)) - mean(i,j,k)))^2); if matchcnt(i, j, k) ~= 255 % 匹配次数达到255就不加了。在实时视频序列中，上限是必须的，否则可能溢出。 matchcnt(i, j, k) = matchcnt(i, j, k) + 1; end else %当与第k个模型没有匹配的话，则第k个模型所占的比重自然而然地下降 w(i,j,k) = (1-alpha)*w(i,j,k); % weight slighly decreases 权值减小 end end % if no components match, create new component 如果没有匹配的模型则创建新模型 if(match==0) % 没有匹配的高斯，建立新的高斯取代：排序后排在最后面的那个 [min_w,min_w_index]=min(w(i,j,:)); matchcnt(i,j,min_w_index) = 1; % 匹配次数设为1，一个小值 w(i,j,min_w_index) = 1 / ( sum( matchcnt(i, j, :) ) - 1 );% 权值为其它高斯分布匹配次数之和的倒数 mean(i,j,min_w_index)=double(fr_bw(i,j)); sd(i,j,min_w_index)=sd_init; end %无论匹配是否成功，都要将该像素在不同模型上的权重标准归一化 w_sum = sum(w(i, j, :)); w(i, j, :) = w(i, j, :) / w_sum; %针对该像素，计算多个模型的优先级（依据权重） rank = w(i,j,:)./sd(i,j,:); [sorted_rank, rank_ind] = sort(rank, 'descend'); %将前景的初始值设置为255，即为白色； fg(i,j) = fr_bw(i,j); %当该像素匹配成功的时候，利用高斯混合模型，将该像素值重新设置 if(match == 1) switch match_ind case rank_ind(1)% 与最优的高斯匹配，肯定是归为背景点 fg(i,j) = 0; case rank_ind(2)% 与中间的高斯匹配，如果最上面一个高斯的权值小于thresh，则这点归为背景点 if w(i, j, rank_ind(1)) < thresh fg(i, j) = 0; end case rank_ind(3)% 与最下面的高斯匹配，如果最下面的高斯权值大于1-thresh（或者前两个高斯权值和小于thresh），则这点归为背景点 if w(i, j, rank_ind(3)) > 1 - thresh fg(i, j) = 0; end end end for k=1:C bg_bw(i,j) = bg_bw(i,j)+ mean(i,j,k)*w(i,j,k);%更新背景 end end end figure(1),subplot(3,1,1),imshow(fr); %显示输入图像 subplot(3,1,2),imshow(uint8(bg_bw)); %显示背景图像 subplot(3,1,3),imshow(uint8(fg)); %显示前景图像