关于mean shift的ppt.ppt

计算机视觉是一门多学科交叉的学科，涉及图像处理，计算机图形学，模式识别，人工智能，人工神经网络，计算机，数学等。 直到最近十几年才在诸如智能监控系统，机器人视觉导航，物体的三维重建与识别等领域得到广泛的发展。 在序列图像中进行运动目标的跟踪是计算机视觉中一个必不可少的关键技术。目标跟踪的应用有： 智能视频监控，自动驾驶以及基于视频的人机交 互 什么是目标跟踪？ 所谓目标跟踪，就是在一段序列图像的每幅图像中找到所感兴趣的运动目标所处的位置。 直观描述 直观描述 直观描述 直观描述 直观描述 直观描述 直观描述 * * * Mean shift算法以及在目标跟踪 上的应用 曹正洁 一个好的目标跟踪算法满足的要求是什么？ 实时性好，算法要费时少 鲁棒性要强 Mean shift是一个向量，它的方向指向当前点上概率密度梯度的方向 Mean shift 算法就是一种无参密度估计算法或称核密度估计算法。 Mean shift算法是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束 。 Mean shift算法 什么是无参密度估计？ 一维无参密度估计:给定一组n个一维空间的数据点的集合 它的未知的概率密度函数为 ，取核函数为 ，那么在x点处的密度可以按下式计算: 常用的核函数： h为核函数的带宽 一维无参密度估计:给定一组n个一维空间的数据点的集合 它的未知的概率密度函数为 ，取核函数为 ，那么在x点处的密度可以按下式计算: 常用的核函数： 依潘涅契科夫 多维空间下的无参密度估计： 在d维欧式空间X中，x表示该空间中的一个点， 表示该空间中的核函数, 空间中点x的概率密度估计值为: 在计算机视觉中，最常用的是放射状对称核函数。 是放射状核函数 是 的轮廓函数 标准化常量 是个正数，保证 积分为1 H表示d*d维的带宽矩阵 在实际中常采用H为单位矩阵的比例形式，即 若再考虑到 这个表达式就是基于核函数 的概率密度函数的估计 怎样找到数据集合中数据最密集的地方呢？ 数据最密集的地方，对应于概率密度最大的地方。我们可以对概率密度求梯度，梯度的方向就是概率密度增加最大的方向，从而也就是数据最密集的方向。 令 ,假设除了有限个点，轮廓函数 的梯度对所有 均存在 。将 作为轮廓函数，核函数 为： Mean shift向量 基于核函数G(x)的 概率密度估计 Mean shift向量的物理意义的什么呢？ 为了更好地理解这个式子的物理意义，假设上式中g(x)=1 平均的偏移量会指向样本点最密的方向，也就是概率密度函数梯度方向 下面我们看一下mean shift算法的步骤 给定一个初始点x,核函数G(x), 容许误差 ,Mean Shift算法循环的执行下面三步,直至结束条件满足, 计算 把 赋给 . 如果 ,结束循环;若不然,继续执行(1) Region of interest Center of mass Mean Shift vector 目标：找到数据密度最大的区域 Region of interest Center of mass Mean Shift vector 目标：找到数据密度最大的区域 Region of interest Center of mass Mean Shift vector 目标：找到数据密度最大的区域 Region of interest Center of mass Mean Shift vector 目标：找到数据密度最大的区域 Region of interest Center of mass Mean Shift vector 目标：找到数据密度最大的区域 Region of interest Center of mass Mean Shift vector 目标：找到数据密度最大的区域 Region of interest Center of mass 目标：找到数据密度最大的区域 Mean shift在目标跟踪中 的应用 目标模型的描述 候选模型的描述 相似性函数 目标定位