Mean-shift Blob Tracking through Scale Space 阅读笔记
来源:互联网 发布:海洋教育网络视频教程 编辑:程序博客网 时间:2024/05/18 10:53
这篇文章主要解决的是visual tracking中mean-shift方法无法估计尺度变化的问题,作者采用Lindeberg的尺度空间理论 来解决这个问题。
其原理就是:基于可导的尺度空间滤波器的局部最大值来进行尺度选择。
基于appearance 的tracking中,像素值w(a)表示的是改点属于object的概率,一般foreground blob具有高的权重,而background具有低的weigt。
mean-shift算法想要结合样本权重w(a)和Kernel weights K(a)。
这篇文章的核心就是处理mean-shift的核的尺寸,它直接决定了windows的尺寸。作者提出了scale space blob的概念。作者认为Lindeberg提供了一个很好的方法来选择一个合适的scale描述一幅图像中的特征。于是一种多尺度的图像描述子被提了出来,利用变方差的高斯滤波器来构造尺度空间表达,前两维是空间的维数,第三位是空间的尺度。在着了作者采用的是不同尺度的DoG filter。这是由于DoG的描述子的幅值对于尺度具有不变性。
具体的思想就是我们设计一种机制能够调节mean-shift 的kernel的size和blob的尺度。 首先定义3D的shadow kernel H,多个尺度的DoG滤波器形成了尺度空间滤波器组,然后与权重图做卷积。如下所示:
定义核尺度集合:
,b=1.1,n=2,shadow kernel
H(s) = 1 - (s/n)^2
最后,3D 的尺度空间是从单个样本权重w(x)生成的:
作者考虑两个mean-shift 的过程,第一个是关于spatial 的,第二个是关于scale的。
算法流程如下:
1. 输入是权重图w(a),以及blob的现有尺度空间位置的估计(x_0,sigma_0)。
2.将sigma_0固定,利用下面公式计算偏移量:
3.固定x_0,利用下面的公式计算尺度的变化:
设置新的sigma_0 = b^s*sigma_0;
- Mean-shift Blob Tracking through Scale Space 阅读笔记
- Tracking算法学习之mean-shift——Robust Scale-Adaptive Mean-Shift for Tracking
- Tracking学习之mean-shift——Scale and Orientation Adaptive Mean Shift Tracking
- mean shift tracking
- mean-shift based tracking回顾
- Mean Shift Tracking: 2000-2012回顾
- Mean Shift Tracking: 2000-2012回顾
- Mean Shift Tracking: 2000-2012回顾
- Mean Shift Tracking: 2000-2012回顾
- Mean Shift Tracking: 2000-2012回顾
- Robust scale-adaptivemean-shift for tracking
- 视觉算法笔记 - mean shift
- Mean Shift Tracking: 2000-2012回顾 (新论文更新)
- Mean Shift Tracking: 2000-2012回顾 (新论文更新)
- Mean Shift Tracking: 2000-2012回顾 (新论文更新)
- tracking papers 阅读笔记
- Mean Shift
- scale space
- 【Java】Java面向对象
- Window Server 2008 R2密码清除
- php语言_数据结构_树_学习笔记
- Android 查看应用的CPU使用率
- python执行系统命令的方法os.system()
- Mean-shift Blob Tracking through Scale Space 阅读笔记
- Java:注解(Annotation)
- linux生成奔跑着的火车有趣动画步骤
- linux中级教程-中级shell
- 在什么情况下Java比C++快?
- How to Install Kali Linux on Android - Tutorial With Screenshot
- 面向对象
- 薛斯通道的十二种买入法和四种卖出法
- 如何解决mysql插入的中文全是问号?????