meanshift算法简介概要.pptx

Meanshift算法的概述及其应用;Meanshift的背景;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;核函数说明;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 ;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: ;在实际中常采用H为单位矩阵的比例形式，即;怎样找到数据集合中数据最密集的地方呢？;; 用核函数G在 x点计算得到的Mean Shift向量 正比于归一化的用核函数K估计的概率密度的函数 的梯度,归一化因子为用核函数G估计的x点的概率密度.因此Mean Shift向量 总是指向概率密度增加最大的方向.;Mean shift向量的物理意义的什么呢？;下面我们看一下mean shift算法的步骤;上面的步骤也就是不断的沿着概率密度的梯度方向移动,同时步长不仅与梯度的大小有关,也与该点的概率密度有关,在密度大的地方,更接近我们要找的概率密度的峰值,Mean Shift算法使得移动的步长小一些,相反,在密度小的地方,移动的步长就大一些.在满足一定条件下,Mean Shift算法一定会收敛到该点附近的峰值,;Meanshift的应用;均值漂移在目标跟踪中应用;在起始帧，通过鼠标确定一个包含所有目标特征的椭圆，称为被跟踪目标的目标区域，这个目标区域也是核函数作用的区域，区域的大小等于核函数的带宽。 对目标区域进行描述，常用的方法是按照直方图的方式将图像像素的值域等分成k个区间，每个区间按照值域的大小对应一个特征值。然后求出图像的像素值取每个特征值的概率。 对在初始帧图像中目标区域内所有的象素点，计算每个特征值的概率，我们称为目标模型的描述。 ;目标区域的中心为 ，假设其中有n个象素用 表示，特征值的个数为m个 ,则目标模型的特征值 的概率密度估计为：;运动目标在第二帧及以后的每帧中可能包含目标的区域称为候选区域，其中心坐标为y，也是核函数的中心坐标。该区域中的象素用 表示。对候选区域的描述我们成为目标候选模型，候选模型的特征值 的概率密度为： ;相似性函数的比较;相似性函数描述目标模型和候选模型之间的相似程度，在理想情况下两个模型的概率分布是完全一样的。 我们使用Bhattacharyya系数作为相似性函数 ;目标定位;类似于核函数密度估计，不过多了一个权值wi。使 式最大，就是要求 式最大，可以计算 的Mean Shift向量，这样我们就可以得到候选区域中心 移向真实目标区域y的向量:;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Mean-Shift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跟踪结果; Meanshift优缺点： 优点 ①算法复杂度小； ②是无参数算法，易于与其它算法集成； ③采用加权直方图建模，对目标小角度旋转、轻微变形和部分遮挡不敏感等。 ; 缺点 ①搜索窗的核函数带宽保???不变 ②缺乏必要的模板更新算法； ③目标的运动不能过快;讨论： 1.窗函数带宽不变解决方法： 基于边界力计算的带宽变化的方法 camshift算法 3步法 2.模板更新解决方法： 实时模板更新 双系数模板更新 3.移动速度的限制： 卡尔曼滤波结合 转pdf。;3Q~