基于空间直方图meanshift跟踪
Posted sunny_develop
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了基于空间直方图meanshift跟踪相关的知识,希望对你有一定的参考价值。
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:
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
-
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。
以上是关于基于空间直方图meanshift跟踪的主要内容,如果未能解决你的问题,请参考以下文章