当前位置:
文档之家› 目标跟踪meanshiftPPT课件
目标跟踪meanshiftPPT课件
目标跟踪——meanshift
Meanshift背景
Mean Shift 这个概念最早是由Fukunaga 于1975 年在一篇关于概率密 度梯度函数的估计中提出来的,其最初含义正如其名,就是偏移的均 值向量,在这里Mean Shift 是一个名词,它指代的是一个向量,但随着 Mean Shift 理论的发展,Mean Shift 的含义也发生了变化,如果我们说 Mean Shift 算法,一般是指一个迭代的步骤,即先算出当前点的偏移 均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到 满足一定的条件结束.
在计算机视觉中,最常用的是放射状对称核函数。
是放射状核函数 是 的轮廓函数 标准化常量 是个正数,保证 H为带宽矩阵。
积分为1
在实际中常采用H为单位矩阵的比例形式,即
KH
x
H12
1 KH 2x
若再考虑到 这个表达式就是基于核函数 的概率密度函数的估计
怎样找到数据集合中数据最密集的地方呢?
数据最密集的地方,对应于概率密度最大的地方。我们可 以对概率密度求梯度,梯度的方向就是概率密度增加最大 的方向,从而也就是数据最密集的方向。
目标模型的描述
在起始帧,通过鼠标确定一个包含所有目标特征的椭圆, 称为被跟踪目标的目标区域,这个目标区域也是核函数作 用的区域,区域的大小等于核函数的带宽。
对目标区域进行描述,常用的方法是按照直方图的方式 将图像像素的值域等分成k个区间,每个区间按照值域的大 小对应一个特征值。然后求出图像的像素值取每个特征值 的概率。
向量表示. X的模x 2 xT x 。K (x)表示该空间的核函
数,其定义为: K (x)= k(||X||)
(1)k 是非负的. (2) k是非增的,即 如果 那么
(3) k是分段连续的,并且 0 k(r)dr
• 常见的核函数
以上是均匀核、依潘涅契科夫核,双权核、高斯核、 双指数核、双依潘涅契科夫核。
Mean Shift 矢量
直观描述
感兴趣区域 质心
目的:找出最密集的区域 完全相同的桌球分布
Mean Shift
矢量
直观描述
感兴趣区域
质心
目的:找出最密集的区域 完全相同的桌球分布
Mean Shift
矢量
直观描述
感兴趣区域 质心
目的:找出最密集的区域 完全相同的桌球分布
Mean Shift
矢量
目标区域的中心为 ,假设其中有n个象素用 特征值的个数为m个 ,则目标模型的特征值 度估计为:
表示, 的概率密
q qu u1..m
m
qu 1
u1
为核函数的轮廓函数,由于遮挡或者背景的影响,目 标模型中心附近的象素比外物象素更可靠, 对中心的象素 给一个大的权值,而远离中心的象素一个小的权值
总得作用是判断目标区域中象素的值是否属于
令
,假设除了有限个点,轮廓函数 的梯度对所
有
均存在 。将 作为轮廓函数,核函数 为:
fh,K
x
2ck,d nhd2
n i1
xi xg
xxi h
2
2ck,d h2cg,d
ncgh,dd
n i1 g
xxi h
2ini1n1xgigxxhhxxi i 22x
基于核函数G(x)的 概率密度估计
直观描述
感兴趣区域 质心
目的:找出最密集的区域 完全相同的桌球分布
扩展的Mean Shift
• 核函数 • Mean Shift概率密度估计
为什么要引入核函数
1.克服了直方图估计对高维数据的失效性。 2.能够比较好的抑制噪声的影响 3.增强数据的有效性
核函数说明
对在d维欧式空间中,x表示该空间中的一个点,用一列
Mean shift向量
Mean shift向量的物理意义的什么呢?
为了更好地理解这个式子的物理意义,假设上式中g(x)=1 平均的偏移量会指向样本点最密的方向,也 就是概率密度函数梯度方向
均值漂移在目标跟踪中应用
1:目标模型叙述 2:候选目标叙述 3: 相似型函数比较 4:目标定位 5:整个算法流程
在Mean Shift中,有两类核函数经常用到,他们分别 是,单位均匀核函数:
F(x)
1 0
if if
x 1 x 1
单位高斯核函数:
N(x) e x 2
多维空间下的meanshift向量密度估计: 在d维欧式空间X中,x表示该空间中的一个点, 核函数, 空间中点x的概率密度估计值为:
表示该空间中的
Mean Shift示意图
直观描述
感兴趣区域 质心
目的:找出最密集的区域 完全相同桌球分布
Mean Shift 矢量
直观描述
感兴趣区域
质心
目的:找出最密集的区域 完全相同的桌球分布
Mean Shift 矢量
直观描述
感兴趣区域 质心
Objective : Find the densest region Distribution of identical billiard balls
第u个特征值。b(xi)是灰度值索引函数。属于该特征则值为1,
否则为0。
C是一个标准化的常量系数,使得
于是我们得到了基于图像灰度特征的颜色直方图。
基本Mean Shift
• 给定d维空间R d中的n个样本点 ,i=1,…,n,在 点的Mean Shift向量的基
本形式定义为:
Mh
x
1 k xiSh
xi
x
• 其中, S h 是一个半径为h的高维球区域,满足以下关系的y 点的集合,
S hx y :y x T y x h 2
• k表示在这n个样本点 中,有k个点落入S h 区域中.
Meanshift背景
• 然而在以后的很长一段时间内Mean Shift 并没有引起人们的注意, 直到20 年以后,也就是1995 年,另外一篇关于Mean Shift 的重要文 献才发表.在这篇重要的文献中,Yizong Cheng对基本的Mean Shift 算法在以下两个方面做了推广,首先Yizong Cheng 定义了一族核函 数,使得随着样本与被偏移点的距离不同,其偏移量对均值偏移向 量的贡献也不同,其次YizongCheng 还设定了一个权重系数,使得不 同的样本点重要性不一样,这大大扩大了Mean Shift 的适用范围.另 外Yizong Cheng 指出了Mean Shift 可能应用的领域,并给出了具体 的例子.