均值偏移

均值偏移(mean shift,也叫均值漂移或均值平移)這個概念最早是由Fukunaga等人於1975年在《The estimation of the gradient of a density function with application in pattern recognitioin》這篇關於機率密度梯度函式的估計中提出來的,其最初含義正如其名,就是偏移的均值向量。 它是一種無參估計算法,沿著機率梯度的上升方向尋找分布的峰值。

理論發展

然而在以後的很長一段時間內mean shift並沒有引起人們的注意,直到20年以後,也就是1995年,另外一篇關於Mean shift的重要文獻《Mean shift analysis and application》才發表。在這篇重要的文獻中,Yizong cheng對基本Mean shift算法在以下兩個方面做了推廣,首先定義了一族核函式,使得隨著樣本與被偏移點的距離不同,其偏移量對均值偏移向量的貢獻也不同,其次設定了一個權重係數,使得不同的樣本點重要性不一樣,這大大擴大了Mean shift的適用範圍。直到1998年Bradski將MeanShift算法用於人臉的跟蹤才使得此算法的優勢在目標跟蹤領域體現出來。

MeanShift算法是一種無參機率密度估計法,算法利用像素特徵點機率密度函式的梯度推導而得, MeanShift算法通過疊代運算收斂於機率密度函式的局部最大值,實現目標定位和跟蹤,也能對可變形狀目標實時跟蹤,對目標的變形,鏇轉等運動也有較強的魯棒性。MeanShift算法是一種自動疊代跟蹤算法,由 MeanShift補償向量不斷沿著密度函式的梯度方向移動。在一定條件下,MeanShift算法能收斂到局部最優點,從而實現對運動體準確地定位。

均值平移算法是一種非參數的統計疊代算法。

相關詞條

熱門詞條

聯絡我們