树中预测概率总和最大的那一个类，即对每个c(j)的p进行累计；如果是回归问题，则输出为所有树的输出的平均值。 五、 图像匹配
图像匹配是指通过一定的匹配算法在两幅或多幅图像之间查找同一目标或区域，主要可分为以图像像素值为基础的模板匹配和以特征为基础的匹配。 模板匹配是一种用于在源图像S中寻找定位给定目标图像T（即模板图像）的技术。其原理很简单，就是通过一些相似度准则来衡量两个图像块之间的相似度Similarity(S,T)，源图像和模板图像可以是二值图像、灰度图像、彩色图像。一般而言，模板匹配有两种使用场景：
1) 如果源图像S与模板图像T大小（高和宽）一致，则直接使用相似度计算公式对这两个图像进行相似度计算。
2) 如果源图像S的size大于模板图像T，则在S中匹配T时，需要滑动匹配窗口（即模板图像的大小），计算模板图像与该窗口对应的图像区域之间的相似度。对整张S图像滑动完后，得到多个匹配结果。这里，有两种方式获取匹配结果。一种是返回所有匹配结果中的最佳匹配结果（最小值或最大值，依相似度计算方式而定）。另一种，是设定一个阈值，大于或小于该阈值的匹配结果都认为是有效的匹配。
模板匹配中常用的相似度计算方法有： 1) 平方差 R(x,y)??(T(x?,y?)?I(x?x?,y?y?))2 x?,y?2) 互相关 R(x,y)??(T(x?,y?)?I(x?x?,y?y?)) x?,y?3) 相关系数 R??(x?x)(y?y)?(x?x)?(y?y)ii2ii2 4) 绝对差值 R(x,y)??T(x?,y?)?I(x?x?,y?y?) x?,y?以特征为基础的匹配就是根据从图像中提取出的有效特征向量来进行匹配，
16
一些常用的特征提取及描述方法已经在前面做了简单介绍，这里不再赘述。 六、 视觉跟踪
目标跟踪是绝大多数视觉系统中不可或缺的环节。在二维视频跟踪算法中，基于目标颜色信息或基于目标运动信息等方法是常用的跟踪方法，在特定的场景应用中（如视频监控等领域）主要有三种经典的跟踪算法：CamShift算法、光流跟踪以及粒子滤波算法。
1、 CamShift（Continuously Adaptive Mean Shift）跟踪算法
CamShift算法是一种基于均值漂移的算法。均值移动的理论基础是概率密度估计。均值移动的过程实际上就是在概率密度空间中寻找局部极大点。从其全称可知CamShift的算法基础实际上是MeanShift算法，均值移动的操作过程可用如下几步来表示：
(a) 计算以初始点x0为中心的某一核窗所对应的均值移动向量mG(x0)。 (b) 根据mG(x0)来移动核窗的中心位置，也即把mG(x0)中的加权平均值部
分赋予x0，把x0作为新的初始点，并转回步骤(a)； (c) 重复(a)、(b)过程，直到满足某一预定的条件。
因此，均值移动过程就是寻找数据分布最密集处的过程。均值移动的实现过程可图示为：
(1) 计算目标区域的均值、移动目标区域
(2) 重新计算目标区域均值，还存在移动向量，继续移动目标区域
17
(3) 移动向量越来越小
(4) 找到局部极大点，停止移动
以上过程只是一次MeanShift算法过程，在连续帧上使用MeanShift算法就是CamShift跟踪算法。CamShift同经典的均值移动跟踪算法的基本思想是相同的，所不同的它是建立在颜色概率分布图和矩的基础之上。CamShift对室内环境
18
下的目标跟踪具有较高的鲁棒性。 2、 光流跟踪算法
将三维空间中的目标和场景对应于二维图像平面运动时，他们在二维图像平面的投影就形成了运动，这种运动以图像平面亮度模式表现出来的流动就称为光流。光流法是对运动序列图像进行分析的一个重要方法，光流不仅包含图像中目标的运动信息，而且包含了三维物理结构的丰富信息，因此可用来确定目标的运动情况以及反映图像其它等信息。
光流是空间运动物体在观测成像面上的像素运动的瞬时速度。光流的研究是利用图像序列中的像素强度的时域变化和相关性来确定各自像素位置的“运动”，即研究图像灰度在时间上的变化与景象中物体结构及其运动的关系。一般情况下，光流由相机运动、场景中目标运动或两者的共同运动产生。
Lucas–Kanade光流算法是最常见，最流行的。它计算两帧在时间t到t??t之间每个像素点位置的移动。由于它是基于图像信号的泰勒级数，这种方法称为差分，这就是对于空间和时间坐标使用偏导数。
图像约束方程可以写为I(x,y,z,t)?I(x??x,y??y,z??z,t??t)，假设移动足够的小，那么对图像约束方程使用泰勒公式，我们可以得到：
I(x??x,y??y,z??z,t??t)?I(x,y,z,t)??I?I?I?I?x??y??z??t?H.OT.. ?x?y?z?tH.O.T.指更高阶，在移动足够小的情况下可以忽略。从这个方程中我们可以得到：
?I?I?I?I?x??y??z??t?0 ?x?y?z?t或者
?I?x?I?y?I?z?I?t????0 ?x?t?y?t?z?t?t?t可以得到：
?I?I?I?IVx?Vy?Vz??0 ?x?y?z?t?I?I?I，，,?x?z?yVx，Vy，Vz分别是I(x,y,z,t)的光流向量中x，y，z的组成。 19
和 ?I 则是图像在(x,y,z,t)这一点向相应方向的差分。所以 ?tIxVx?IyVy?IzVz??It， 写做：
??I?V??It
T这个方程有三个未知量，尚不能被解决，这也就是所谓光流算法的光圈问题。那么要找到光流向量则需要另一套解决的方案。而Lucas-Kanade算法是一个非迭代的算法：
假设流(Vx,Vy,Vz)在一个大小为m?m?m(m?1)的小窗口中是一个常数，那么从像素1,2,...,n，n?m3中可以得到下列一组方程：
Ix1Vx?Iy1Vy?Iz1Vz??It1
Ix2Vx?Iy2Vy?Iz2Vz??It2?IxnVx?IynVy?IznVz??Itn
三个未知数但是有多于三个的方程，这个方程组自然是个超定方程，也就是说方程组内有冗余，方程组可以表示为：
?Ix1 Iy1 Iz1???It1????Vx???I I I?I??x2y2z2t2??V???
y??? ? ? ??? ???????Vz???I?I I I??tn??xnynzn???记作：Av??b。为了解决这个超定问题，采用最小二乘法：
?ATAv?AT(?b) ?T?1Tv?(AA)A(?b)得到：
2?Vx???Ixi ?IxiIyi ?IxiIzi?????2V?II I II?yizi??y???xiyi?yi?V??II II I2??z???zi???xizi?yizi??1
???IxiIti????II??yiti? ???II???ziti??其中的求和是从1到n。也就是说寻找光流可以通过在四维上图像导数的分别累加得出。这个算法的不足在于它不能产生一个密度很高的流向量，优点在于对噪
20