Mean shift和粒子滤波算法讲课文档.pptVIP

在递归贝叶斯推理中，根据不同的假设条件，对p(xt|yt)的计算也存在多种解决方法，当动态系统满足线性高斯假设时，可通过卡尔曼滤波器求得最优解，通常所说的“最佳”与“最优”估计是以最小均方误差为准则的。当动态系统是非线性时，递归贝叶斯推理中的高维积分运算通常是难解问题，为了缓解非线性动态贝叶斯分析的计算压力，出现了许多近似方法，其中包括蒙特卡罗方法 第二十八页，编辑于星期五：十三点 二十七分。 蒙特卡罗采样方法 蒙特卡罗方法是一种非常简单的随机模拟方法，可用随机样本近似积分来计算难解的积分问题，其基本思想是从目标概率分布p(xt|yt) 中抽取N个独立同分布的粒子 则后验密度可以通过式(3.16)近似表达： 其中 表示从后验分布采样得到的粒子， 表示Dirac delta函数。基于这 种近似表达，如果对的期望进行估计，得式(3.1)： 3.0 3.1 第二十九页，编辑于星期五：十三点 二十七分。 第一页，编辑于星期五：十三点 二十七分。 核函数 例子： Obviously, we would like to generate two groups corresponding to the two parts of the feature space in which we have a high density of points How can we capture this notion of “high density”----kernel density estimation 第二页，编辑于星期五：十三点 二十七分。 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 第三页，编辑于星期五：十三点 二十七分。 核函数例子: Uniform: 第四页，编辑于星期五：十三点 二十七分。 核函数例子 第五页，编辑于星期五：十三点 二十七分。 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： （1） 其中，Sh是一个半径为h的高维球区域，满足一下关系的y点的集合，即： （2） 第六页，编辑于星期五：十三点 二十七分。 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。 第七页，编辑于星期五：十三点 二十七分。 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： 第八页，编辑于星期五：十三点 二十七分。 Mean shift 的扩展形式 （3） 第九页，编辑于星期五：十三点 二十七分。 Mean shift 的扩展形式 第十页，编辑于星期五：十三点 二十七分。 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。 第十一页，编辑于星期五：十三点 二十七分。