基于空间直方图meanshift跟踪

最近看了一篇文章《spatiograms versus histograms for region-based tracking》,在此把这篇文章的核心思想及算法推理进行整理。

空间直方图

传统直方图可视为零阶空间直方图,二阶空间直 方图包括直方图每个bin的空间均值和协方差,这种空间信息能获取目标更丰富的特征描述,从而提高了跟踪的鲁棒性。

概率密度函数

空间直方图的空间信息默认服从的是高斯分布,对于两个直方图判断是否相似也是根据多高斯(GMM)的分布特征进行判断的。

高斯分布:即正态分布的概率密度函数均值为μ方差 为σ2 (或标准差σ)是高斯函数的一个实例:

f(x;\mu,\sigma)=\frac{1}{\sigma\sqrt{2\pi}} \, \exp \left( -\frac{(x- \mu)^2}{2\sigma^2} \right)

 

其中σ越小,分布越集中,σ越大,分布越分散。如果一个随机变量X服从这个分布,我们写作 X ~ N(μ,σ2). 如果μ = 0并且σ = 1,这个分布被称为标准正态分布,这个分布能够简化为

f(x) = \frac{1}{\sqrt{2\pi}} \, \exp\left(-\frac{x^2}{2} \right)

多维高斯分布公式:

 

 

 

D表示X的维数,表示D*D的协方差矩阵,定义为

 

空间直方图与GMMs相似,但GMMs从区域I中得到的多高斯权重和做为相似值,而空间直方图只是从一个高斯分布的区域中获取值。GMMs在它们的区域中是非参数的,它们的范围区间是半参数的,直方图在它们的区域和范围中都是无参数的,空间直方图在它们的范围内是无参数的,但它们的区间是半参数的。

 

Meanshift

Meanshift算法是基于模式匹配的目标跟踪算法,首先手动选取跟踪窗口,根据颜色直方图分布计算核函数加权下的目标模板,在后续跟踪帧中用相同方法得到选定区域的直方图分布。统计迭代计算,使得每一个点向两个分布相似性最大的方向漂移。

 

 

 

这些就是这篇文章算法的核心思想,之后我会把实现代码贴出来。

  • 0
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值