meanshift算法简介绪论.ppt

通常H取为正比于单位矩阵的对角阵即 ; h为核函数的带宽,为一确定在系数，常用的单位核函数G（x）如下： 分别是单位均匀核函数 和单位高斯核函数；前面公式可写为： 这里可以看到若W(xi)=1, G(x)=1时， 就转化成了meanshift基本形式。 对目标进行跟踪时，可以把图片想象成一张概率密度图。图像输入后是一个目标图像的直方图（也可以认为是目标图像），还一个输入是当前图像就是你要跟踪的全图，输出大小与全图一样大，它上像素点表征着一种概率，就是全图上这个点是目标图像一部分的概率。如果这个点越亮，就说明这个点属于物体的概率越大。现在我们明白了这原来是一张概率图了。当用meanshift跟踪时，输入的原来是这样一幅图像，如此可以实现对目标的跟踪。 关键：反向投影 如果一幅图像的区域中显示的是一种结构纹理或者一个独特的物体，那么这个区域的直方图可以看作一个概率函数，给出的是某个像素属于该纹理或物体的概率。所谓反向投影就是首先计算某一特征的直方图模型，然后使用模型去寻找测试图像中存在的该特征。 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重新搜索窗的大小和位置， 进行相似度匹配， 再跳转到(2)继续进行，直 到 。 Meanshift优缺点： 优点 1.算法计算量不大，在目标区域已知的情况下完全可以做到实时跟踪 2.采用核函数直方图模型，对边缘遮挡、目标旋转、变形和背景运动不敏感 缺点： 1.缺乏必要的模板更新 2.跟踪过程中由于窗口宽度大小保持不变，当目标尺度有所变化时，跟踪就会失败 3.当目标速度较快时，跟踪效果不好 4.直方图特征在目标颜色特征描述方面略显匮乏，缺少空间信息 改进和调整 1.引入一定的目标位置变化的预测机制，进一步减少meanShift跟踪的搜索时间，降低计算量 2.可以采用一定的方式来增加用于目标匹配的“特征” 3.将传统meanShift算法中的核函数固定带宽改为动态带宽 Meanshift算法的概述及其应用 直观描述 完全相同的桌球分布 感兴趣区域 质心 Mean Shift 矢量 目的：找出最密集的区域 Meanshift介绍 Meanshift算法是Fukunaga于1975年提出的。直到1995年， Yizong Cheng针对离x越近的采样点对x周围的统计特性越有效，定义了一族核函数。同时他认为所有的样本点重要性不同，设定了一个权重系数，扩大了Meanshift的使用范围。其思想概括起来就是：利用概率密度的梯度爬升来寻找局部最优。输入一个在图像的范围，然后Meanshift算法迭代（朝着重心迭代）直到满足要求为止。 Meanshift的基本形式为： 是一个半径为h的高维球区域，k表示n个样本点有k个落入Sh中。 核函数说明 对在d维欧式空间中，x表示该空间中的一个点，用一列向量x表示，K(x)表示该空间的核函数，其定义为： 这里：K(X) 称核函数，k(x)为非增的分段连续剖面函数，标准化常量c,d,为正，且k(x)积分为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，引入核函数和权重系数后得到： G(x)是一个单位核函数，H是一个正定dxd的对称矩阵，又称带宽矩阵。w(xi)是采样点xi的权重 多维空间下的无参密度估计（以下是证明Meanshift向量Mh(x)总是向密度增加的方向漂移）： 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, f(x)的概率密度函数为: 核函数K(X)的剖面函数为k(x),且 K(x)的负倒数为g(x),即 其对应的核函数为 上式对x求导，得到概率密度函数的梯度函数 fK(x): ▽ ▽ 以G(x)为核函数的概率密度函数 用核函数G在x点的Meanshift向量 该式表明用核函数G在x点得到的Meanshift向量正比于归一化的用核函数K估计的概率密度梯度(归一化因子即分母为用核函数G估计的x点概率密度)。 数据最密集的地方，对应