MeanShift 视频目标追踪

MeanShift 视频目标追踪

简介

在视频的目标追踪算法中，可以分为两类，一类是卡尔曼滤波、MeanShift、ASMS这种根据相似性，从前一个帧计算当前帧目标的位置；另外一类是使用分类算法，当然也包括深度学习中的YOLO、FAST-RCNN这种对每一帧图像检测目标的位置。

Mean Shift作为一种特征空间的分析技术，可以最终定位到使得密度度量函数(density function)最大的位置。在视频的目标追踪中，通过在初始阶段计算得到关于目标的颜色直方图表示，在视频的接下来的帧中，将与目标的直方图的Bhattacharyya相关性系数、概率权重等作为更新的依据。MeanShift的更新过程可以使用下图解释。

流程

核密度估计

在$d$维的空间$R^d$中，对于点 { x i } i = 1 … n \{x_i\}_{i=1\dots n} { xi​}i=1…n​，核密度估计的核函数记为 $K(x)$，窗口的大小记为 $h$，则对于以$x$为中心点的值为:
$$\hat{f}(x)=\frac{1}{n{h}^d}\sum _{i=1}^{n}K(\frac{x-x_i}{h})$$

常用的核函数有

1. Epanechnikov 核函数
   $$K_E(x)=\{\begin{array}{rlr}& \frac{1}{2}{c}_d^{-1}(d+2)(1-\Vert x{\Vert }^2),& \Vert x\Vert <1\\ & 0& otherwise\end{array}$$
   其中 $c_d$是$d$维空间的容量。
2. 高斯核函数
   $$K_N(x)=(2\pi {)}^{-d/2}\exp \left(-\frac{1}{2}\Vert x{\Vert }^2\right)$$

相关性

当使用直方图表示图像中某个区域的像素分布时，该直方图可以看做一个向量。衡量两个向量的相似性可以使用余弦相似度来计算。

假设目标的直方图向量为