词条 | 均值偏移 |
释义 | 均值偏移(mean shift,也叫均值漂移)这个概念最早是由Fukunaga等人于1975年在《The estimation of the gradient of a density function with application in pattern recognitioin》这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。它是一种无参估计算法,沿着概率梯度的上升方向寻找分布的峰值。 然而在以后的很长一段时间内mean shift并没有引起人们的注意,直到20年以后,也就是1995年,另外一篇关于Mean shift的重要文献《Mean shift analysis and application》才发表。在这篇重要的文献中,Yizong cheng对基本Mean shift算法在以下两个方面做了推广,首先定义了一族核函数,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Mean shift的适用范围。直到1998年Bradski将MeanShift算法用于人脸的跟踪才使得此算法的优势在目标跟踪领域体现出来。 MeanShift算法是一种无参概率密度估计法,算法利用像素特征点概率密度函数的梯度推导而得, MeanShift算法通过迭代运算收敛于概率密度函数的局部最大值,实现目标定位和跟踪,也能对可变形状目标实时跟踪,对目标的变形,旋转等运动也有较强的鲁棒性。MeanShift算法是一种自动迭代跟踪算法,由 MeanShift补偿向量不断沿着密度函数的梯度方向移动。在一定条件下,MeanShift算法能收敛到局部最优点,从而实现对运动体准确地定位。 |
随便看 |
百科全书收录4421916条中文百科知识,基本涵盖了大多数领域的百科知识,是一部内容开放、自由的电子版百科全书。