[Scikit-learn] *2.3 Clustering - MeanShift

sklearn.cluster.MeanShift

Ref: http://scikit-learn.org/stable/auto_examples/cluster/plot_mean_shift.html

 

可參見：[Object Tracking] MeanShift

這裏比較關心的是，有了

DBSCAN: Density-Based Spatial Clustering of Applications with Noise

爲什麼不徹底取代meanshift用於跟蹤？效果如何？

 

 

連續自適應的Meanshift(CamShift)算法

Bradski根據Mean Shift算法的不足，提出了Camshift算法。CamShift算法，即Continuously Adaptive Mean-Shift算法，

基本思想就是對視頻圖像的多幀進行MeanShift運算，將上一幀結果做爲下一幀的初始值，迭代下去。

 

無參密度估計理論

Ref: http://blog.csdn.net/jinshengtao/article/details/30258833

無參密度估計也叫作非參數估計，屬於數理統計的一個分支，和參數密度估計共同構成了機率密度估計方法。

• • 參數密度估計方法要求特徵空間服從一個已知的機率密度函數，在實際的應用中這個條件很難達到。
  • 無參數密度估計方法對先驗知識要求最少，徹底依靠訓練數據進行估計，而且能夠用於任意形狀的密度估計。

因此依靠無參密度估計方法，即不事先規定機率密度函數的結構形式，在某一連續點處的密度函數值可由該點鄰域中的若干樣本點估計得出。

經常使用的無參密度估計方法有：直方圖法、最近鄰域法和核密度估計法。

 

MeanShift算法正是屬於核密度估計法，它不須要任何先驗知識而徹底依靠特徵空間中樣本點的計算其密度函數值。

對於一組採樣數據，直方圖法一般把數據的值域分紅若干相等的區間，數據按區間分紅若干組，每組數據的個數與總參數個數的比率就是每一個單元的機率值；

核密度估計法的原理類似於直方圖法，只是多了一個用於平滑數據的核函數。採用核函數估計法，在採樣充分的狀況下，可以漸進地收斂於任意的密度函數，便可以對服從任何分佈的數據進行密度估計。

 

---

 

 

核密度估計示範代碼：https://github.com/xueyayang/algorithm_practice/tree/master/kernel-density-estimation

我的專一於運動背景下的目標跟蹤