LOT:《Locally Orderless Tracking》 蒙特卡洛方法、 粒子滤波 、Earth Mover's Distance
1.先验概率、后验概率和似然
2.蒙特卡洛方法(Monte Carlo method)和粒子滤波(particle filtering)
蒙特卡洛采样:根据待估计的量X的概率分布(后验概率)进行采样
蒙特卡洛方法:在采集了N个样本之后,如果要求X的均值,那么可以直接对采集的N个样本 求平均计算出的值来代替样本的均值,当N足够大的时候,平均值的与均值的近似度越高,误差越小。
粒子滤波:把蒙特卡洛采样的样本点当做一个粒子,按照蒙特卡洛方法对粒子进行平均,获得粒子滤波后的结果
但是这样的方法存在一个缺点:不知道X的分布,即不知道后验概率的分布,那么要进行如何采样呢
粒子滤波还可以进行加入噪声,使得结果更加的趋于稳健
重要性采样:根据一个已知的分布去采样,就有期望为:
重要的是引入了权重的概念,上面Wk(Xk)就是采样点的权重,引入权重之后,根据蒙特卡洛方法求均值就变为如下:
所以引入重要性采样之后,权重经过了归一化处理(权重的和为1),根据权重最终求出了该随机量X的均值
应用的实例:目标追踪
追踪的目的是在当前帧内计算出目标中心所在的位置,把目标的位置看做是一个随机变量,那么在当前帧内的每个位置会有一个概率,由此就构成了一个后验概率分布,因为这个概率必须根据前一帧的位置,或者是根据初始帧的位置确定。 利用粒子滤波的方法在理论上可以求出当前帧目标的位置,因为位置的分布服从一个概率分布,其均值就是当前帧目标最有可能的位置处。
但是在实际当中,并不知道位置的概率分布具体是什么,所以就很难去根据分布采样,所以就进行的是重要性采样(一般是进行均匀的采样),所以难点就放在计算每个采样(粒子)的权重计算上,在实际的应用问题中,计算采样的权重是进行迁移了的,在追踪中,每个采样点可以根据其周围的像素点分布情况进行采样,即比较模板与候选的位置的相似程度,然后再确定权重。最后就能计算出位置。
3.Earth Mover's Distance-地面移动距离
EMD是由 2000年YOSSI RUBNER在《The Earth Mover's Distance as a Metric for Image Retrival》论文中提出的
在计算上诉粒子滤波的采样点权重时,可以迁移为计算模板的Signsture与候选位置的Signature,在此处利用EMD来计算。
EMD的定义:
其中这个问题可以规约到一个线性规划问题的求解,如下
在这上面中,尤其重要的是dij,代表的是在Signature中与之相应的两个elements的distance的多少,在每个EMD中是必须存在的,但这个distance的计算方式也是多种多样的。在求出的最优解后,即计算出了fij后,此时的EMD可表示为:
fij表示的是取得最优解时的值。
在实际的应用中,比如image/patch的像素直方图,把直方图当做一个Signature,把0-255个值划分为多个bin,然后求出直方图,那么EMD代表的就是使得两个直方图变为一样时,需要总的代价是多少,在计算代价中,一定需要一个distance,即不同的bin之间移动的代价,这个移动就表示像素值的改变,最终使得两个图像的直方图一样所需要的最小代价就是EMD,这是一个线性优化的过程。
另外一个实际的EMD的例子如下:
在比较两个目标Signature时的EMD,是经过迁移之后的EMD,要套用在这个情形下,必须进行一定的转化才能应用。
论文中的算法:《Locally Orderless Tracking》
参考的博文:
https://blog.****.net/piaoxuezhong/article/details/78619150
https://blog.****.net/zhangping1987/article/details/25368183