第五課均值漂移分析

第五課均值漂移分析演示文稿現(xiàn)在是1頁(yè)\一共有92頁(yè)\編輯于星期二優(yōu)選第五課均值漂移分析現(xiàn)在是2頁(yè)\一共有92頁(yè)\編輯于星期二目錄

MeanShift原理MeanShift介紹密度估計(jì)方法MeanShift算法推導(dǎo)Meanshift算法特點(diǎn)

應(yīng)用聚類間斷保持平滑邊緣檢測(cè)圖像分割目標(biāo)跟蹤現(xiàn)在是3頁(yè)\一共有92頁(yè)\編輯于星期二MeanShift原理現(xiàn)在是4頁(yè)\一共有92頁(yè)\編輯于星期二均值漂移法(MeanShift)算法思想：對(duì)相似度概率密度函數(shù)或者后驗(yàn)概率密度函數(shù)采用直接的連續(xù)估計(jì)。Meanshift：均值偏移方法。采用彩色直方圖作為匹配特征。MeanShift跟蹤算法反復(fù)不斷地把數(shù)據(jù)點(diǎn)朝向MeanShift矢量方向進(jìn)行移動(dòng)，最終收斂到某個(gè)概率密度函數(shù)的極值點(diǎn)。在MeanShift跟蹤算法中，相似度函數(shù)用于刻畫目標(biāo)模板和候選區(qū)域所對(duì)應(yīng)的兩個(gè)核函數(shù)直方圖的相似性，采用的是Bhattacharyya系數(shù)。因此，這種方法將跟蹤問(wèn)題轉(zhuǎn)化為MeanShift模式匹配問(wèn)題。核函數(shù)是MeanShift算法的核心，可以通過(guò)尺度空間差的局部最大化來(lái)選擇核尺度，若采用高斯差分計(jì)算尺度空間差，則得到高斯差分MeanShift算法?，F(xiàn)在是5頁(yè)\一共有92頁(yè)\編輯于星期二直觀說(shuō)明感興趣區(qū)域質(zhì)心MeanShift向量目的:尋找樣本分布最密集的區(qū)域現(xiàn)在是6頁(yè)\一共有92頁(yè)\編輯于星期二直觀說(shuō)明感興趣區(qū)域質(zhì)心MeanShift向量目的:尋找樣本分布最密集的區(qū)域現(xiàn)在是7頁(yè)\一共有92頁(yè)\編輯于星期二直觀說(shuō)明感興趣區(qū)域質(zhì)心MeanShift向量目的:尋找樣本分布最密集的區(qū)域現(xiàn)在是8頁(yè)\一共有92頁(yè)\編輯于星期二直觀說(shuō)明感興趣區(qū)域質(zhì)心MeanShift向量目的:尋找樣本分布最密集的區(qū)域現(xiàn)在是9頁(yè)\一共有92頁(yè)\編輯于星期二直觀說(shuō)明感興趣區(qū)域質(zhì)心MeanShift向量目的:尋找樣本分布最密集的區(qū)域現(xiàn)在是10頁(yè)\一共有92頁(yè)\編輯于星期二直觀說(shuō)明感興趣區(qū)域質(zhì)心MeanShift向量目的:尋找樣本分布最密集的區(qū)域現(xiàn)在是11頁(yè)\一共有92頁(yè)\編輯于星期二直觀說(shuō)明感興趣區(qū)域質(zhì)心目的:尋找樣本分布最密集的區(qū)域現(xiàn)在是12頁(yè)\一共有92頁(yè)\編輯于星期二WhatisMeanShift?非參數(shù)密度估計(jì)非參數(shù)密度梯度估計(jì)(MeanShift)樣本點(diǎn)離散PDF表示法PDF分析特征空間的概率密度函數(shù)PDF顏色空間尺度空間任何你想得到的特征空間…作用:在一組樣本點(diǎn)中尋找一個(gè)體現(xiàn)在樣本RN中隱含的概率密度函數(shù)(PDF)的方法現(xiàn)在是13頁(yè)\一共有92頁(yè)\編輯于星期二參數(shù)化估計(jì)：ML方法和Bayesian估計(jì)。假設(shè)概率密度形式已知。實(shí)際中概率密度形式往往未知。實(shí)際中概率密度往往是多模的，即有多個(gè)局部極大值。實(shí)際中樣本維數(shù)較高，且關(guān)于高維密度函數(shù)可以表示成一些低維密度函數(shù)乘積的假設(shè)通常也不成立。非參數(shù)密度估計(jì)方法：能處理任意的概率分布，而不必假設(shè)密度函數(shù)的形式已知。非參數(shù)密度估計(jì)現(xiàn)在是14頁(yè)\一共有92頁(yè)\編輯于星期二直方圖方法：非參數(shù)概率密度估計(jì)的最簡(jiǎn)單方法

1.把x的每個(gè)分量分成k個(gè)等間隔小窗，（x∈Ed

，則形成kd

個(gè)小艙）

2.統(tǒng)計(jì)落入各個(gè)小艙內(nèi)的樣本數(shù)qi3.相應(yīng)小艙的概率密度為：qi/(NV)

（N：樣本總數(shù)，V：小艙體積）非參數(shù)密度估計(jì)現(xiàn)在是15頁(yè)\一共有92頁(yè)\編輯于星期二直方圖的例子非參數(shù)密度估計(jì)現(xiàn)在是16頁(yè)\一共有92頁(yè)\編輯于星期二非參數(shù)概率密度估計(jì)的核心思路：一個(gè)向量x落在區(qū)域R中的概率P為：因此，可以通過(guò)統(tǒng)計(jì)概率P來(lái)估計(jì)概率密度函數(shù)p(x)非參數(shù)密度估計(jì)現(xiàn)在是17頁(yè)\一共有92頁(yè)\編輯于星期二非參數(shù)密度估計(jì)假設(shè):數(shù)據(jù)點(diǎn)是從一個(gè)隱含的PDF中采樣得出概率密度函數(shù)PDF的估計(jì)真實(shí)樣本點(diǎn)數(shù)據(jù)數(shù)據(jù)點(diǎn)密度意味著PDF值!現(xiàn)在是18頁(yè)\一共有92頁(yè)\編輯于星期二概率密度函數(shù)PDF的估計(jì)真實(shí)樣本點(diǎn)數(shù)據(jù)非參數(shù)密度估計(jì)現(xiàn)在是19頁(yè)\一共有92頁(yè)\編輯于星期二概率密度函數(shù)PDF的估計(jì)真實(shí)樣本點(diǎn)數(shù)據(jù)?非參數(shù)密度估計(jì)現(xiàn)在是20頁(yè)\一共有92頁(yè)\編輯于星期二參數(shù)密度估計(jì)假設(shè):數(shù)據(jù)點(diǎn)是從一個(gè)隱含的PDF中采樣得出概率密度函數(shù)PDF的估計(jì)估計(jì)真實(shí)樣本點(diǎn)數(shù)據(jù)現(xiàn)在是21頁(yè)\一共有92頁(yè)\編輯于星期二核密度估計(jì)

總體框架核函數(shù)特點(diǎn):歸一化對(duì)稱性指數(shù)權(quán)重衰減???關(guān)于有限數(shù)據(jù)點(diǎn)x1…xn的函數(shù)

數(shù)據(jù)點(diǎn)現(xiàn)在是22頁(yè)\一共有92頁(yè)\編輯于星期二核密度估計(jì)

函數(shù)形式關(guān)于有限數(shù)據(jù)點(diǎn)x1…xn的函數(shù)

數(shù)據(jù)點(diǎn)實(shí)際使用形式:or與每個(gè)維度均相關(guān)僅與向量長(zhǎng)度相關(guān)現(xiàn)在是23頁(yè)\一共有92頁(yè)\編輯于星期二核密度估計(jì)

常用核函數(shù)關(guān)于有限數(shù)據(jù)點(diǎn)x1…xn的函數(shù)Examples:Epanechnikov核函數(shù)單位均勻核函數(shù)Normal核函數(shù)數(shù)據(jù)點(diǎn)現(xiàn)在是24頁(yè)\一共有92頁(yè)\編輯于星期二核密度估計(jì)梯度不估計(jì)PDF!僅僅估計(jì)梯度利用公式:得:窗口大小現(xiàn)在是25頁(yè)\一共有92頁(yè)\編輯于星期二核密度估計(jì)梯度計(jì)算MeanShift現(xiàn)在是26頁(yè)\一共有92頁(yè)\編輯于星期二計(jì)算MeanShift另一個(gè)核密度估計(jì)!簡(jiǎn)化的MeanShift計(jì)算過(guò)程:計(jì)算meanshift向量利用m(x)更新核窗口現(xiàn)在是27頁(yè)\一共有92頁(yè)\編輯于星期二MeanShift模式檢測(cè)MeanShift更新過(guò)程:FindallmodesusingtheSimpleMeanShiftProcedurePrunemodesbyperturbingthem(findsaddlepointsandplateaus)Prunenearby–takehighestmodeinthewindowWhathappensifwereachasaddlepoint?Perturbthemodepositionandcheckifwereturnback現(xiàn)在是28頁(yè)\一共有92頁(yè)\編輯于星期二自適應(yīng)梯度上升MeanShift算法特點(diǎn)自動(dòng)收斂速度–meanshift向量大小僅僅取決于向量本身

中心附近的最大值，該步驟小而精在無(wú)窮步的迭代后算法才能保證收斂無(wú)限收斂,

(因此要設(shè)定一個(gè)下限)對(duì)于單位均勻核函數(shù)(),在有限次迭代后算法收斂Normal核函數(shù)()呈現(xiàn)出平滑的迭代軌跡，但是迭代速度要慢于Uniform核函數(shù)().現(xiàn)在是29頁(yè)\一共有92頁(yè)\編輯于星期二真正的形態(tài)分析利用窗口來(lái)細(xì)分空間分別進(jìn)行Meanshift迭代現(xiàn)在是30頁(yè)\一共有92頁(yè)\編輯于星期二真正的形態(tài)分析Thebluedatapointsweretraversedbythewindowstowardsthemode現(xiàn)在是31頁(yè)\一共有92頁(yè)\編輯于星期二真正的形態(tài)分析

Anexample窗口軌跡代表最陡的上升方向現(xiàn)在是32頁(yè)\一共有92頁(yè)\編輯于星期二自適應(yīng)MeanShift現(xiàn)在是33頁(yè)\一共有92頁(yè)\編輯于星期二MeanShift算法的優(yōu)勢(shì)&缺點(diǎn)優(yōu)勢(shì):應(yīng)用獨(dú)立的工具適用于實(shí)時(shí)數(shù)據(jù)分析不需要在數(shù)據(jù)集群中事先假設(shè)輪廓（例如橢圓形）能夠處理任意特征空間只需要選擇一個(gè)參數(shù)和K-Means算法不同的是，h(窗口大小)具有物理意義缺點(diǎn):窗口尺寸(由帶寬決定)是微不足道的不適當(dāng)?shù)拇翱诖笮?dǎo)致漠視被合并,

或者產(chǎn)生額外的“陰影”模式

使用自適應(yīng)窗口大小現(xiàn)在是34頁(yè)\一共有92頁(yè)\編輯于星期二MeanShift應(yīng)用現(xiàn)在是35頁(yè)\一共有92頁(yè)\編輯于星期二聚類吸引區(qū)域:在這個(gè)區(qū)域里，所有的軌跡導(dǎo)致相同的模式聚類:在吸引區(qū)域中的所有數(shù)據(jù)點(diǎn)都有相同的模式MeanShift:ArobustApproachTowardFeatureSpaceAnalysis,byComaniciu,Meer現(xiàn)在是36頁(yè)\一共有92頁(yè)\編輯于星期二聚類合成案例簡(jiǎn)單模態(tài)結(jié)構(gòu)復(fù)雜模態(tài)結(jié)構(gòu)現(xiàn)在是37頁(yè)\一共有92頁(yè)\編輯于星期二聚類真實(shí)案例初始化窗口中心尋找模態(tài)修剪后的模態(tài)最終聚類結(jié)果特征空間:用L*u*v來(lái)表示現(xiàn)在是38頁(yè)\一共有92頁(yè)\編輯于星期二聚類真實(shí)案例L*u*v3維空間現(xiàn)在是39頁(yè)\一共有92頁(yè)\編輯于星期二聚類真實(shí)案例吸引區(qū)域中不是所有的軌跡都會(huì)達(dá)到相同的模態(tài)2維空間(L*u)聚類結(jié)果現(xiàn)在是40頁(yè)\一共有92頁(yè)\編輯于星期二間斷保持平滑特征空間:聯(lián)合域=空間坐標(biāo)+顏色空間意義:把圖像看做在空間域和灰度域上的數(shù)據(jù)點(diǎn)圖像數(shù)據(jù)MeanShift向量平滑結(jié)果MeanShift:ArobustApproachTowardFeatureSpaceAnalysis,byComaniciu,Meer現(xiàn)在是41頁(yè)\一共有92頁(yè)\編輯于星期二間斷保持平滑xyz圖像灰度級(jí)……可以看做是在空間x,y,z的數(shù)據(jù)點(diǎn)(結(jié)合空間坐標(biāo)和顏色信息)現(xiàn)在是42頁(yè)\一共有92頁(yè)\編輯于星期二間斷保持平滑yzFlatregionsinducethemodes!現(xiàn)在是43頁(yè)\一共有92頁(yè)\編輯于星期二間斷保持平滑在空間和空間范圍中窗口大小的作用現(xiàn)在是44頁(yè)\一共有92頁(yè)\編輯于星期二間斷保持平滑

Example現(xiàn)在是45頁(yè)\一共有92頁(yè)\編輯于星期二間斷保持平滑

Example現(xiàn)在是46頁(yè)\一共有92頁(yè)\編輯于星期二邊緣存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與區(qū)域之間，是圖像最基本的特征之一為人們描述或識(shí)別目標(biāo)以及解釋圖像提供了一個(gè)重要的特征參數(shù)。它蘊(yùn)含了圖像豐富的內(nèi)在信息（如方向、階越性質(zhì)與形狀等）；紋理特征的重要信息源和形狀特征的基礎(chǔ)；圖像分割、圖像分類、圖像配準(zhǔn)和模式識(shí)別所依賴的重要特征。如果能成功地檢測(cè)出圖像的邊緣，圖像分析、圖像識(shí)別就會(huì)方便得多，精確度也會(huì)得到提高。邊緣檢測(cè)現(xiàn)在是47頁(yè)\一共有92頁(yè)\編輯于星期二邊緣檢測(cè)

射線傳播VesselDetectionbyMeanShiftBasedRayPropagation,byTek,Comaniciu,Williams在醫(yī)學(xué)圖像中準(zhǔn)確區(qū)分各種物體現(xiàn)在是48頁(yè)\一共有92頁(yè)\編輯于星期二邊緣檢測(cè)

射線傳播使用位移數(shù)據(jù)來(lái)指導(dǎo)射線傳播間斷平滑位移矢量VesselDetectionbyMeanShiftBasedRayPropagation,byTek,Comaniciu,Williams現(xiàn)在是49頁(yè)\一共有92頁(yè)\編輯于星期二邊緣檢測(cè)

射線傳播速度公式與輪廓正交曲率現(xiàn)在是50頁(yè)\一共有92頁(yè)\編輯于星期二邊緣檢測(cè)原始圖像沿紅線處的灰度等級(jí)平滑處理后的灰度圖位移矢量位移矢量求導(dǎo)現(xiàn)在是51頁(yè)\一共有92頁(yè)\編輯于星期二邊緣檢測(cè)

Example現(xiàn)在是52頁(yè)\一共有92頁(yè)\編輯于星期二邊緣檢測(cè)

Example利用曲率進(jìn)行平滑的重要性現(xiàn)在是53頁(yè)\一共有92頁(yè)\編輯于星期二圖像分割的概念在對(duì)圖像的研究和應(yīng)用中，人們往往僅對(duì)圖像中的某些部分感興趣，這些部分一般稱為目標(biāo)或前景。為了辨識(shí)和分析目標(biāo)，需要將有關(guān)區(qū)域分離提取出來(lái)，在此基礎(chǔ)上對(duì)目標(biāo)進(jìn)一步利用，如進(jìn)行特征提取和測(cè)量。圖像分割就是指把圖像分成各具特性的區(qū)域，并提取出感興趣目標(biāo)的技術(shù)和過(guò)程。圖像分割現(xiàn)在是54頁(yè)\一共有92頁(yè)\編輯于星期二圖像分割片段=集群,或者集群的集群算法:進(jìn)行濾波(間斷保持平滑)聚集比窗口大小更接近的集群圖像數(shù)據(jù)(片段)MeanShift向量分割結(jié)果平滑處理MeanShift:ArobustApproachTowardFeatureSpaceAnalysis,byComaniciu,Meer/~comanici現(xiàn)在是55頁(yè)\一共有92頁(yè)\編輯于星期二圖像分割

Example…當(dāng)特征空間只有圖像灰度的時(shí)候…現(xiàn)在是56頁(yè)\一共有92頁(yè)\編輯于星期二圖像分割

Example現(xiàn)在是57頁(yè)\一共有92頁(yè)\編輯于星期二圖像分割

Example現(xiàn)在是58頁(yè)\一共有92頁(yè)\編輯于星期二圖像分割

Example現(xiàn)在是59頁(yè)\一共有92頁(yè)\編輯于星期二圖像分割

Example現(xiàn)在是60頁(yè)\一共有92頁(yè)\編輯于星期二圖像分割

Example現(xiàn)在是61頁(yè)\一共有92頁(yè)\編輯于星期二圖像分割

Example現(xiàn)在是62頁(yè)\一共有92頁(yè)\編輯于星期二所謂目標(biāo)跟蹤，可以簡(jiǎn)單地定義為對(duì)連續(xù)的視頻序列中的目標(biāo)維持一條航跡，進(jìn)而獲得目標(biāo)的位置、速度等運(yùn)動(dòng)參數(shù)，以及形狀、大小、顏色等對(duì)后續(xù)目標(biāo)分析與理解非常重要的測(cè)量信息。目標(biāo)跟蹤現(xiàn)在是63頁(yè)\一共有92頁(yè)\編輯于星期二非剛性目標(biāo)跟蹤……現(xiàn)在是64頁(yè)\一共有92頁(yè)\編輯于星期二非剛性目標(biāo)跟蹤實(shí)時(shí)監(jiān)控輔助駕駛基于對(duì)象的視頻壓縮現(xiàn)在是65頁(yè)\一共有92頁(yè)\編輯于星期二當(dāng)前幀……Mean-Shift目標(biāo)跟蹤

總體框架:目標(biāo)表示選擇特征空間利用選擇的特征空間表示目標(biāo)模板在當(dāng)前幀中選擇目標(biāo)模板現(xiàn)在是66頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

總體框架:目標(biāo)定位在下一幀的模板位置附近搜索從當(dāng)前幀中選定的模板位置開(kāi)始通過(guò)最大化相似性函數(shù)來(lái)匹配模板在下一幀中重復(fù)相同的過(guò)程當(dāng)前幀……目標(biāo)模板候選模板現(xiàn)在是67頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

目標(biāo)表示選擇目標(biāo)模板量化的色彩特征空間選擇特征空間通過(guò)模板在特征空間的PDF來(lái)表示模板KernelBasedObjectTracking,byComaniniu,Ramesh,Meer現(xiàn)在是68頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

PDF表示相似性函數(shù):目標(biāo)模板(以0點(diǎn)為中心)候選模板(以y點(diǎn)為中心)現(xiàn)在是69頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

平滑相似性函數(shù)相似性函數(shù):問(wèn)題:目標(biāo)僅依靠顏色信息來(lái)表示空間信息丟失解決方案:在空間域中使用各向同性核函數(shù)掩蓋目標(biāo)f(y)在y點(diǎn)變得平滑f不平滑基于梯度的優(yōu)化是不穩(wěn)健的相鄰點(diǎn)相似度變化很大現(xiàn)在是70頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

尋找目標(biāo)模板的PDF目標(biāo)像素位置一個(gè)可微，各向同性的，凸函數(shù)且單調(diào)遞減的核函數(shù)周邊像素收到遮擋和背景干擾像素x在索引(1..m)中的對(duì)應(yīng)值歸一化因子像素權(quán)重目標(biāo)模板中特征u的概率候選模板中特征u的概率歸一化因子像素權(quán)重0目標(biāo)模板y候選模板現(xiàn)在是71頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

相似性函數(shù)目標(biāo)模板:候選模板:相似性函數(shù):11巴氏系數(shù)現(xiàn)在是72頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

目標(biāo)定位算法從當(dāng)前幀中選定的模板位置開(kāi)始在下一幀的模板位置附近搜索通過(guò)最大化相似性函數(shù)來(lái)匹配模板現(xiàn)在是73頁(yè)\一共有92頁(yè)\編輯于星期二線性近似(以y0為中心)Mean-Shift目標(biāo)跟蹤

逼近相似性函數(shù)模板中心:候選位置:與y無(wú)關(guān)密度估計(jì)！(關(guān)于y的函數(shù))現(xiàn)在是74頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

最大化相似性函數(shù)求解=尋找最大值重要假設(shè):目標(biāo)在搜索區(qū)域附近目標(biāo)有足夠的區(qū)分度現(xiàn)在是75頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

應(yīng)用Mean-Shift原始Mean-Shift:求解利用求解=尋找最大值擴(kuò)展Mean-Shift:求解利用現(xiàn)在是76頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

關(guān)于核函數(shù)和輪廓函數(shù)一類特殊的徑向?qū)ΨQ內(nèi)核：核函數(shù)K的輪廓函數(shù)擴(kuò)展Mean-Shift:求解利用現(xiàn)在是77頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

核函數(shù)選取Epanechnikov核函數(shù):一類特殊的徑向?qū)ΨQ內(nèi)核：擴(kuò)展Mean-Shift:單位均勻核函數(shù):現(xiàn)在是78頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

自適應(yīng)窗口大小問(wèn)題:目標(biāo)大小隨時(shí)間變化必須調(diào)整核函數(shù)窗寬(h)

解決方案:利用不同的h進(jìn)行3次定位選擇使相似度最大化的窗寬(h)

現(xiàn)在是79頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

結(jié)果特征空間:161616量化RGB顏色值目標(biāo):在第一幀中手動(dòng)選擇平均mean-shift迭代次數(shù):4現(xiàn)在是80頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

結(jié)果部分遮擋干擾運(yùn)動(dòng)模糊現(xiàn)在是81頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

結(jié)果現(xiàn)在是82頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

結(jié)果特征空間:128128量化RG顏色值現(xiàn)在是83頁(yè)\一共有92頁(yè)\編輯于星期二Mean-Shift目標(biāo)跟蹤

尺度選擇問(wèn)題窗口選擇過(guò)大窗口選擇過(guò)小定位效果差核窗口寬度h不能選擇過(guò)大或者過(guò)小問(wèn)題:在顏色均勻區(qū)域,相似度不隨h的大小改變小的窗口寬度h可能達(dá)到更好的相似性無(wú)法保證h不會(huì)變得太小!現(xiàn)在是84頁(yè)\一共有92頁(yè)\編輯于星期二尺度空間跟蹤

Motivation對(duì)數(shù)個(gè)尺度進(jìn)行定位先前的方法在空間和尺度上同時(shí)定位當(dāng)前方法Mean-shiftBlobTrackingthroughScaleSpace,byR.Collins現(xiàn)在是85頁(yè)\一共有92頁(yè)\編輯于星期二Lindeberg’s理論

選擇最佳尺度來(lái)描述圖