资源描述：
《《meanshift算法》ppt课件》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、Meanshift算法的概述及其应用Meanshift的背景MeanShift这个概念最早是由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,其最初含义正如其名,就是偏移的均值向量。直到20年以后,也就是1995年,,YizongCheng发表了一篇对均值漂移算法里程碑意义的文章。对基本的MeanShift算法在以下两个方面做了改进,首先YizongCheng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YizongChen
2、g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MeanShift的适用范围.另外YizongCheng指出了MeanShift可能应用的领域,并给出了具体的例子。直观描述完全相同的桌球分布感兴趣区域质心MeanShift矢量目的：找出最密集的区域直观描述完全相同的桌球分布感兴趣区域质心MeanShift矢量目的：找出最密集的区域直观描述Distributionofidenticalbilliardballs感兴趣区域质心MeanShift矢量Objective:Findthed
3、ensestregion直观描述完全相同的桌球分布感兴趣区域质心MeanShift矢量目的：找出最密集的区域直观描述完全相同的桌球分布感兴趣区域质心MeanShift矢量目的：找出最密集的区域直观描述完全相同的桌球分布感兴趣区域质心MeanShift矢量目的：找出最密集的区域直观描述完全相同的桌球分布感兴趣区域质心目的：找出最密集的区域核函数说明对在d维欧式空间中，x表示该空间中的一个点，K(x)表示该空间的核函数，其定义为：K(x)=ck,dk（
4、
5、X
6、
7、）这里：K(x)是放射对称核函数，k(x
8、)称为K(x)的轮廓函数，具有可微性，且；标准化常量ck,d严格正，使K(x)积分为1。一维下的无参数估计设X1,X2,…Xn是从总体中抽出的独立同分布的样本，X具有未知的密度函数f（x），则f（x）的核估计为：h为核函数的带宽。常用的核函数如下：分别是单位均匀核函数和单位高斯核函数多维空间下的无参密度估计：在d维欧式空间X中，x表示该空间中的一个点，表示该空间中的核函数,空间中点x的概率密度估计值为: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，保证积
9、分为1H为带宽矩阵。H表示d*d维的带宽矩阵在实际中常采用H为单位矩阵的比例形式，即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。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：Meanshift向量基于核函数G(x)的概率密度估计用核函数G在x点计算得到的MeanShift向量正比于归一化
10、的用核函数K估计的概率密度的函数的梯度,归一化因子为用核函数G估计的x点的概率密度.因此MeanShift向量总是指向概率密度增加最大的方向.Meanshift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下面我们看一下meanshift算法的步骤给定一个初始点x,核函数G(x),容许误差,MeanShift算法循环的执行下面三步,直至结束条件满足,计算把赋给.如果,结束循环;若不然,继续执行(1)上面
11、的步骤也就是不断的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,在密度大的地方,更接近我们要找的概率密度的峰值,MeanShift算法使得移动的步长小一些,相反,在密度小的地方,移动的步长就大一些.在满足一定条件下,MeanShift算法一定会收敛到该点附近的峰值,Meanshift的应用MeanShift可以应用在很多领域，比如聚类，图像平滑，，图像分割。尤其是应用在目标跟踪领域，其跟踪算法是通过计算候选目标与目标模板之间相似度的概率密度分布，然后利用概率密度
12、梯度下降的方向来获取匹配搜索的最佳路径，加速运动目标的定位和降低搜索的时间，因此在目标实时跟踪领域有着很高的应用价值。该算法由于采用了统计特征，因此对噪声有很强的鲁棒性；由于是一个单参数算法，容易作为一个模块和别的算法集成；采用核函数直方图建模，对边缘阻挡、目标的旋转、变形以及背景运动都不敏感；同时该算法构造了一个可以用MeanShift算法进行寻优的相似度函数。由于MeanShift本质上是最陡下降法，因此其寻优过程收敛速度快，使得该算法具有很好的实时性。均值漂移在目标跟踪中应用
