均值漂移算法的收敛性_李乡儒

。 但是 Mean
收稿日期： 2011-03-10 ； 修回日期： 2011-04-21
基金项目： 国家自然科学基金资助项目（ 61001185 ）
作者简介： 鲁好波（ 1985-） ， 男， 山东青岛人， 硕士研究生， 主要研究方向为多媒体信息处理（ luhaobo_304@ 163． com ） ； 李坚强（ 1980-） ， 男， 广东 韶关人， 讲师， 博士， 主要研究方向为多媒体信息处理； 王小民（ 1957-） ， 男， 河南长葛人， 副教授， 硕士， 主要研究方向为计算机网络与信息安全．
第 28 卷第 10 期 2011 年 10 月
计 算 机 应 用 研 究 Application Research of Computers
Vol． 28 No． 10 Oct． 2011
基于均值漂移 — 连通域标记的多目标跟踪算法
鲁好波，李坚强，王小民
（ 深圳大学 计算机与软件学院，广东 深圳 518060 ） 摘
［17 ］ Mean Shift 算法， 实现效果较 CamShift 好 。
。 在众多
Mean Shift 算法由于具有理论严谨 、 的跟踪算法中， 实时性好和 跟踪精 度 较 高 等 特 点， 最 近 几 年 受 到 了 广 泛 的 关 注 。 Mean Shift 算法最早由 Fukunaga 等人［3］ 提出， 作为一个非参数化的 数据统计方法， 用于数据聚类， 也称之为峡谷搜索算法（ valleyseeking procedure） 。Cheng［4］ 在 1995 年首次将其引入图像处 ［5 ］ 理领 域。 Bradski 基 于 Mean Shift 设 计 了 一 个 continuously adaptive Mean Shift（ CamShift） 跟踪算法， 用于人脸跟踪。 Mean Shift 成功地应用于图像处理是由 Comaniciu 和 Meer 所著的关 于图 像 分 割 和 目 标 跟 踪 的 两 篇 论 文

一种快速自适应的均值漂移聚类算法
一种快速自适应的均值漂移聚类算法
耿振伟;粟毅;郁文贤
【期刊名称】《信号处理》
【年(卷),期】2009(025)001
【摘要】特征空间分析是众多计算机视觉任务中的主要模块,均值漂移作为一种稳健的非参数特征空间分析方法,越来越得到广泛的应用,但对于高维特征空间该方法计算量相当大,甚至难以在实际中采用.因此,提出了一种基于近似最近邻搜索的自适应均值漂移方法ANNMS,大大减少了迭代计算量,不受特征维数限制,且能自适应确定核函数的带宽.通过图像分割实验,得到比标准均值漂移方法更精细的结果,且速度更快.
【总页数】4页(153-156)
【关键词】均值漂移;聚类;图像分割
【作者】耿振伟;粟毅;郁文贤
【作者单位】国防科技大学四院三系,湖南省长沙市,410073;国防科技大学四院三系,湖南省长沙市,410073;国防科技大学四院三系,湖南省长沙市,410073【正文语种】中文
【中图分类】TP319
【相关文献】
1.一种自适应的模糊C均值聚类算法 [J], 史慧峰; 马晓宁
2.图像分割的自适应K均值聚类算法研究 [J], 吴颖斌
3.一种基于慢启动模型的快速自适应聚类算法 [J], 谷垒; 王雷
4.一种截断距离和聚类中心自适应的聚类算法 [J], 杨震; 王红军; 周宇。

(完整版)统计收敛性判断方法总结引言统计收敛性判断是数据分析中一个重要的步骤，它帮助我们确定我们所使用的统计方法是否可靠。

本文将总结几种常见的统计收敛性判断方法及其应用场景。

1. 中心极限定理中心极限定理是统计学中一个基本理论，它指出在独立同分布的条件下，当样本容量足够大时，样本均值的分布会趋近于正态分布。

因此，我们可以通过检查样本均值是否接近于正态分布来判断数据的收敛性。

2. 置信区间置信区间是一个范围，它能够给出总体参数的估计范围。

当置信区间逐渐收敛时，从样本中估计的总体参数的精度将逐步提高。

因此，我们可以通过观察置信区间的收敛情况来判断数据的收敛性。

3. P值P值是统计假设检验中的一个重要指标，它表示在零假设成立的情况下，观察到极端结果的概率。

当P值逐渐趋近于0时，我们可以认为数据收敛性得到了提高。

4. 收敛图收敛图是用来观察统计方法收敛性的一种图形化方法。

例如，我们可以通过绘制样本均值随样本容量增加的变化趋势，观察是否存在稳定的趋势。

若趋势逐渐平稳，则表示数据收敛性良好。

5. 抽样实验抽样实验是一种主动的方法，通过多次重复取样并计算统计量，来观察统计量的稳定性。

当样本容量增加时，如果统计量的值逐步稳定，则说明数据收敛性得到了改善。

6. 应用场景以上方法在不同场景中具有不同的优势和适用性。

中心极限定理主要适用于样本容量足够大的情况；置信区间适用于提供参数估计以及估计精度的场景；P值可用于假设检验，判断统计显著性；收敛图和抽样实验适用于观察统计量的稳定性，帮助我们判断数据的收敛性。

结论统计收敛性判断方法是数据分析中的关键步骤，通过综合应用中心极限定理、置信区间、P值、收敛图和抽样实验等方法，我们可以客观地评估数据的收敛性。

在实际应用中，根据具体场景和需求选择合适的方法，并结合其他分析手段对数据进行全面的判断和分析。

收 稿 日期 ：２ １— ３ １ ０ １ ０ 一０；修回 日期 ：２ １－４ ２ ０ １０ — １
重心坐标 以及大小 和方 向 ， 将其作为 当前 ＭｅｎＳ ｉ 算 法跟 并 ａ ｈｆ ｔ 踪的起始信息 。在 目标丢失 情况下 能够搜 索到 目标并进 行跟 踪， 提高算法鲁棒性 。
１ 改进 Ｍｅ ｎＳ ｉ 跟 踪算 法 ａ ｈｔ ｔ
的跟踪算 法中 ， ａ ｈ ｔ Ｍｅ Ｓｉ 算法 由于具 有理论严谨 、 时 陛好 和 ｎ ｆ 实
跟踪精 度 较 高 等 最 ａ
Ｓ ｉ 算法最早 由 Ｆ ｋｎｇ ｈｔ ｆ ｕ ｕ ａａ等人 提 出 ， 作为 一个 非参数 化 的 数据统计 方法 ， 于数据 聚类 ， 称之为 峡谷 搜索 算法 （ ａ ｅ— 用 也 ｖｌ ｌｙ
鲁好波 ，李坚强 ，王小 民
（ 圳 大学 计 算机 与软件 学 院 ， 东 深圳 ５８６ ） 深 广 １００ 摘 要 ：提 出一种基 于 Ｍ ａ ｈ 改 进算 法与 连通域 标记 的 多 目 跟 踪 算法 。在 多 目标跟 踪过 程 中， 目 瞬 ｅｎＳｉ ｔ ｆ 标 对 标
间丢 失 、 标 遮挡 或 重 叠 时 目标 跟 踪 失 败 等 情 况 有 较 好 的 改 进 。在 跟 踪 过 程 中 ， 目标 丢 失 时 ， 于 改进 的 目 当 基
ＭｅｎＳ ｉ 方法是一种最优 的寻找概率密度极大值 的梯度 ａ ｈｆ ｔ
基金项 目：国家自然科学基 金资助项 目（ １０ １５ ６０ １８ ）
作者简介 ： 鲁好波（ ９ ５ ） 男 ， 东青岛人 ， １８ ． ， 山 硕士研究生 ， 主要研 究方向为多媒体信息处理（ ｈｏ ｏ３ ４ ６ ． ｏ ） 李 坚强（ ９０ ） 男， 东 １ ａｂ＿ ０ ＠１３ ｃ ； ｕ ｎ ｒ １８ 一 ， 广 韶 关人 ， 讲师 ， 博士 ， 主要研究方向为 多媒体信息处理 ； 王小民（ ９７ ） 男 ， １ ５ － ， 河南长葛人 ， 副教授 ， 硕士 ， 主要研 究方向为计 算机 网络与信 息安全．