Mean shift和粒子滤波算法.pptVIP

经过随机抽样后，可通过式（3.2）计算经验估计。 根据大数定理，当粒子数N趋于无穷时，近似期望收敛于真实期望，即： 3.2 3.3 当前30页，共49页，星期日。 重要性采样 重要性取样是蒙特卡罗方法中一种常用的取样技术。后验概率密度可以由来自该密度的独立同分布粒子近似，粒子数越多，近似的后验概率密度就越逼近真实后验概率密度。但往往不可能直接从后验密度采样粒子，在实际计算中从一个已知、易于采样而且同目标概率分布相近的概率密度采样粒子，这个概率密度称为建议分布，即是如图2.2所示的重要性取样的基本思想。如果估计函数期望为 E[f(xi)]如果无法直接从 p(xt|Yt)取样，就选择从与p(xt|Yt) 近似的概率分布 中取样。 当前31页，共49页，星期日。 重要性采样 在重要性取样过程中，式（3.1）可按式（3.4）进行推理。 式（3.4）可以看出，可通过从 取得的样本对于f(xt)有关的各种量进行估计，概率密度 称为重要性函数，其中 称为重要性权值，重要性权值 的表达如3.5 3.4 3.5 当前32页，共49页，星期日。 利用贝叶斯规则对式(3.5)继续推理，消去p(Yt)，得式(3.6) 3.6 当前33页，共49页，星期日。 由式（3.6）可以看出，通过从重要性函数 取样，E[f(xt)]可以通过（3.7）近似为 其中正则权值可按（3.8）计算： 3.7 3.8 当前34页，共49页，星期日。 贯序重要性取样 当获得时刻t的观测时，为了能够在不修改以前状态x(0:t-1)情况下，对状态xt的概率密度进行序贯式估计，将建议分布分解为如式(3.9)所示的重要性函数： 由于状态空间模型满足马尔可夫过程，在给定状态时观测之间条件独立，可 得到式(4.0) 3.9 4.0 当前35页，共49页，星期日。 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。 当前1页，共49页，星期日。 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 当前2页，共49页，星期日。 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 当前3页，共49页，星期日。 核函数例子: Uniform: 当前4页，共49页，星期日。 核函数例子 当前5页，共49页，星期日。 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） 当前6页，共49页，星期日。 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。 当前7页，共49页，星期日。 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