meanshift算法简介.pptVIP

MeanShift 在反向投影图中发现目标中心 int cvMeanShift( const CvArr* prob_image, CvRect window, CvTermCriteria criteria, CvConnectedComp* comp ); prob_image 目标直方图的反向投影(见 cvCalcBackProject). window 初始搜索窗口 criteria 确定窗口搜索停止的准则 comp 生成的结构，包含收敛的搜索窗口坐标 (comp-rect 字段) 与窗口内部所有象素点的和 (comp-area 字段). 函数 cvMeanShift 在给定反向投影和初始搜索窗口位置的情况下，用迭代方法寻找目标中心。当搜索窗口中心的移动小于某个给定值时或者函数已经达到最大迭代次数时停止迭代。 函数返回迭代次数。 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，他给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。 一维下的无参数估计 设X1,X2, …Xn是从总体中抽出的独立同分布的样本，X具有未知的密度函数f（x），则f（x）的核估计为： h为核函数的带宽。常用的核函数如下： 分别是单位均匀核函数 和单位高斯核函数 整个算法流程 1.在当前帧以y0为起点，计算候选目标的特征{pu(y0)}u=1，2…..m; 2.计算候选目标与目标的相似度： 3.计算权值{wi}i=1，2…..m 4.利用MeanShift算法，计算目标新位置： 5.若 ，则停止；否则y0←y1转步骤2 限制条件：新目标中心需位于原目标中心附近。 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，从而更进一步减少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变化的带宽 Meanshift算法的概述及其应用 Meanshift的背景 Meanshift算法思想概括起来就是：利用概率密度的梯度爬升来寻找局部最优。它要做的就是输入一个在图像的范围，然后一直迭代（朝着重心迭代）直到满足你的要求为止。 不过如何用于做图像跟踪这是我看了几篇相关论文后也没有一个很清楚的理解，经过这几天的思考，和对相关数学方法推导过程的理解使得我对它的原理有了大致的认识。 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 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，K(x)表示该空间的核函数，其定义为： K (x)= ck,d k(||X||) 这里：K(x)是放射对称核函数，k(x)称为K(x)的轮廓函数，具有可微性，且；标准化常量ck,d严格正，使K(x)积分为1。 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