Meanshift和粒子滤波算法讲课文档.pptVIP

2.9第28页，共42页。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29页，共42页。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Diracdelta函数。基于这种近似表达，如果对的期望进行估计，得式(3.1)：3.03.1第30页，共42页。第1页，共42页。Meanshift基本原理Meanshift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Meanshift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。第2页，共42页。核函数例子：Obviously,wewouldliketogeneratetwogroupscorrespondingtothetwopartsofthefeaturespaceinwhichwehaveahighdensityofpointsHowcanwecapturethisnotionof“highdensity”----kerneldensityestimation第3页，共42页。核函数Letusdefineakernelfunction:K(X),withtheproperties:Kdecaystozerofarfrom0Kismaximumat0Kissymmetric第4页，共42页。核函数例子:Uniform:第5页，共42页。核函数例子第6页，共42页。Meanshift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Meanshift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7页，共42页。Meanshift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Meanshift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，Meanshift向量应该指向概率密度的方向。第8页，共42页。Meanshift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Meanshift的扩展形式：第9页，共42页。Meanshift的扩展形式（3）第10页，共42页。Meanshift的扩展形式第11页，共42页。Meanshift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Meanshift算法循环的执行下面步骤，直到结束条件满足：(1)计算Meanshift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