Meanshift和粒子滤波算法.pptVIP

Mean shift算法  与粒子滤波算法 YOUR SUBTITLE GOES HERE Mean shift基本原理 Mean shift 这个概念最早由Fukunaga等人于1975年在一篇关于概率密度梯度函数的估计中提出来的，最初的含义就是偏移的均值向量，但随着Mean shift理论的发展，其含义也发生了变化，其含义一般是指一个迭代的步骤，即先算出当前的偏移的均值，移动到其均值，然后依次为新的起始点，继续移动，知道满足一定的条件结束。 核函数 例子： 核函数 Let us define a kernel function: K ( X), with the properties: K decays to zero far from 0 K is maximum at 0 K is symmetric 核函数例子: 核函数例子 Mean shift 的基本形式 给定d 维空间R^d中n个样本点Xi,i=1,2,3,….n,在x点的Mean shift向量的基本形式定义为： Mean shift 的基本形式 K表示在这n个样本点xi中，有k个点落入Sh区域中。 可以看出，式（1）中（xi-x）是样本点xi相对于点x的偏移向量，式(1)定义的Mean shift向量 Mh(x)就是对落入区域Sh中的k个样本点相对于点x的偏移向量求和然后再平均。从直观上看，如果样本点xi从一个概率密度函数f(x) 中采样得到，由于概率密度梯度指向概率密度增加最大的方向，Sh 区域内的样本点更多的落在沿着概率密度梯度的方向上。因此，Mean shift向量应该指向概率密度的方向。 Mean shift 的扩展形式 从式(1)中可以看出，只要是落入Sh 的采样点，无论其离基准点远近，其对最终的偏移向量计算的贡献是一样的，然而一般来说，离基准点越近的采样点对估计基准点周围的统计特性越有效，因此，将核函数的概念引入均值漂移，在计算偏移向量 Mh( x)时可以考虑距离的影响。同时，在所有的样本点xi中，其重要性并不一样，因此还需对每个样本引入一个权重系数。由此得到Mean shift的扩展形式： Mean shift 的扩展形式 Mean shift 的扩展形式 Mean shift 的算法步骤 给定一个初始点x，核函数 g( x)，误差门限设为?，则Mean shift算法循环 的执行下面步骤，直到结束条件满足： (1) 计算Mean shift向量 m(x) (2) 将 m(x)赋给x； (3) 如果 则结束循环；否则，继续执行步骤(1)； 以上步骤即是不断地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，在密度较大处，更接近要寻找的概率密度的峰值，因此Mean shift算法的移动步长会比较小；相反，移动的步长就会增大。 Mean shift 的算法步骤 Mean shift 的算法步骤 Mean shift 的算法步骤 Mean shift 的算法步骤 Mean shift 的算法步骤 Mean shift 的算法步骤 应用 应用 粒子滤波理论 粒子滤波是指：通过寻找一组在状态空间中传播的随机样本对概率密度函数p(xk|zk)进行近似，以样本均值代替积分运算，从而获得状态最小方差估计的过程，这些样本称为粒子，采用数学语言描述如下：对于平稳的随机过程，假定k-1时刻系统的后验概率密度为p(xk-1|zk-1)，依据一定原则选取n个随机样本点，k时刻获得测量信息后，经过状态和时间更新过程，n个粒子的后验概率密度可近似为p（xk|zk），随着粒子数目的增加，粒子的概率密度函数逼近状态的概率密度函数，粒子滤波估计即达到了最优贝叶斯估计的效果。 2.1贝叶斯滤波原理 贝叶斯滤波原理的实质是试图用所有已知信息来构造系统状态变量的后验概率密度，即用系统状态转移模型预测状态的先验概率密度，再使用最近的观测值进行修正，最后得到后验概率密度。 设x1,x2,….xn是独立同分布的随机变量，每一个变量相对于未知参数 的条件概率密度为 ?则未知参数?的后验概率密度如式(2.1)所示 2.1贝叶斯滤波原理 式（2.1）中 表示给定数据（x1,…xn）后参数的似然函数， 是待估计参数 的概率密度，称之为先验分布。