第五课均值漂移分析.pptVIP

均值漂移法(MeanShift)算法思想：对相似度概率密度函数或者后验概率密度函数采用直接的连续估计。Meanshift：均值偏移方法。采用彩色直方图作为匹配特征。MeanShift跟踪算法反复不断地把数据点朝向MeanShift矢量方向进行移动，最终收敛到某个概率密度函数的极值点。在MeanShift跟踪算法中，相似度函数用于刻画目标模板和候选区域所对应的两个核函数直方图的相似性，采用的是Bhattacharyya系数。因此，这种方法将跟踪问题转化为MeanShift模式匹配问题。核函数是MeanShift算法的核心，可以通过尺度空间差的局部最大化来选择核尺度，若采用高斯差分计算尺度空间差，则得到高斯差分MeanShift算法。参数化估计：ML方法和Bayesian估计。假设概率密度形式已知。实际中概率密度形式往往未知。实际中概率密度往往是多模的，即有多个局部极大值。实际中样本维数较高，且关于高维密度函数可以表示成一些低维密度函数乘积的假设通常也不成立。非参数密度估计方法：能处理任意的概率分布，而不必假设密度函数的形式已知。直方图方法：非参数概率密度估计的最简单方法1.把x的每个分量分成k个等间隔小窗，（x∈Ed，则形成kd个小舱）2.统计落入各个小舱内的样本数qi3.相应小舱的概率密度为：qi/(NV)（N：样本总数，V：小舱体积）直方图的例子非参数概率密度估计的核心思路：边缘存在于目标与背景、目标与目标、区域与区域之间，是图像最基本的特征之一为人们描述或识别目标以及解释图像提供了一个重要的特征参数。它蕴含了图像丰富的内在信息（如方向、阶越性质与形状等）；纹理特征的重要信息源和形状特征的基础；图像分割、图像分类、图像配准和模式识别所依赖的重要特征。如果能成功地检测出图像的边缘，图像分析、图像识别就会方便得多，精确度也会得到提高。所谓目标跟踪，可以简单地定义为对连续的视频序列中的目标维持一条航迹，进而获得目标的位置、速度等运动参数，以及形状、大小、颜色等对后续目标分析与理解非常重要的测量信息。非刚性目标跟踪实时监控辅助驾驶基于对象的视频压缩当前帧……Mean-Shift目标跟踪

总体框架:目标表示选择特征空间利用选择的特征空间表示目标模板在当前帧中选择目标模板Mean-Shift目标跟踪

总体框架:目标定位在下一帧的模板位置附近搜索从当前帧中选定的模板位置开始通过最大化相似性函数来匹配模板在下一帧中重复相同的过程当前帧……目标模板候选模板Mean-Shift目标跟踪

目标表示选择目标模板量化的色彩特征空间选择特征空间通过模板在特征空间的PDF来表示模板KernelBasedObjectTracking,byComaniniu,Ramesh,Meer自适应MeanShiftMeanShift算法的优势缺点优势:应用独立的工具适用于实时数据分析不需要在数据集群中事先假设轮廓（例如椭圆形）能够处理任意特征空间只需要选择一个参数和K-Means算法不同的是，h(窗口大小)具有物理意义缺点:窗口尺寸(由带宽决定)是微不足道的不适当的窗口大小导致漠视被合并,

或者产生额外的“阴影”模式

?使用自适应窗口大小MeanShift应用聚类吸引区域:在这个区域里，所有的轨迹导致相同的模式聚类:在吸引区域中的所有数据点都有相同的模式MeanShift:ArobustApproachTowardFeatureSpaceAnalysis,byComaniciu,Meer聚类合成案例简单模态结构复杂模态结构聚类真实案例初始化窗口中心寻找模态修剪后的模态最终聚类结果特征空间:用L*u*v来表示聚类真实案例L*u*v3维空间聚类真实案例吸引区域中不是所有的轨迹都会达到相同的模态2维空间(L*u)聚类结果间断保持平滑特征空间:联合域=空间坐标+颜色空间意义:把图像看做在空间域和灰度域上的数据点图像数据MeanShift向量平滑结果MeanShift:ArobustApproachTowardFeatureSpaceAnalysis,byComaniciu,Meer间断保持平滑xyz图像灰度级……可以看做是在空间x,y,z的数据点(结合空间