文件名称：“均值漂移”基本原理-docker+jenkins+harbor+gitlab
文件大小：4.46MB
文件格式：PDF
更新时间：2024-06-28 09:24:45
摄像 测量学
(2) 图像匹配的实现 设选取的Gabor基底为g(x,y)，模板图像为f(x,y)。考虑当前匹配图像相对于模板图像 存仿射变形f ’(x,y)=A◦ f(x,y)，具体的形式由式(2.1.30)描述，其中仿射变形参数为a0~a5。 首先将模板图像和当前匹配图像都与Gabor基底作内积，变换到仿生物视觉坐标系： ( ) ( ) ( ) ( ) ( ) ( ), , , , , , , , ,G x y g x y f x y G x y g x y f x y′ ′= = (5.3.5) 在仿生物视觉坐标系下，模板图像与当前匹配图像之间的欧氏距离为： ( ) ( )( )2, ,D G x y G x y′= −∑ (5.3.6) 欧氏距离是描述仿生物视觉坐标系下，模板图像与当前匹配图像之间相似性的度量。 以欧氏距离作为 小化目标函数，就可以优化求解模板图像与当前匹配图像之间的仿射 变形参数 a0~a5，从而得到跟踪定位结果。 5.4 Mean Shift 跟踪算法 Mean Shift（均值漂移）算法是一种有效的统计迭代算法，已广泛应用于聚类分析、 目标跟踪、图像分割、图像平滑、滤波、图像边缘提取和信息融合等方面，是近年来国 际上的研究热点之一 [12~14] 。 Mean Shift 算法是一种非参数估计方法，也就是不需要首先假设目标具有某种统计特 性。相比于参数估计方法，它适用范围更广。Mean shift 算法用于图像目标跟踪具有实时 性好，容易与其它算法集成，对边缘遮挡、目标旋转、变形以及背景运动不敏感等优点。 本节仅简要介绍它的基本原理，详细内容请参阅相关文献。 5.4.1 Mean Shift 算法基本原理和经典 Mean Shift 跟踪算法 (1) “均值漂移”基本原理 Mean Shift 的基本原理是通过统计迭代逐步“漂移”到密度函数的局部极大值处。这 可以用图 5.4.1 形象地说明。