[Scikit-learn] *2.3 Clustering - MeanShift

sklearn.cluster.MeanShift

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

可参见：[Object Tracking] MeanShift

这里比较关心的是，有了

DBSCAN: Density-Based Spatial Clustering of Applications with Noise

为何不完全取代meanshift用于跟踪？效果如何？

连续自适应的Meanshift(CamShift)算法

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

基本思想就是对视频图像的多帧进行MeanShift运算，将上一帧结果作为下一帧的初始值，迭代下去。

无参密度估计理论

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

无参密度估计也叫做非参数估计，属于数理统计的一个分支，和参数密度估计共同构成了概率密度估计方法。

• • 参数密度估计方法要求特征空间服从一个已知的概率密度函数，在实际的应用中这个条件很难达到。
  • 无参数密度估计方法对先验知识要求最少，完全依靠训练数据进行估计，并且可以用于任意形状的密度估计。

所以依靠无参密度估计方法，即不事先规定概率密度函数的结构形式，在某一连续点处的密度函数值可由该点邻域中的若干样本点估计得出。

常用的无参密度估计方法有：直方图法、最近邻域法和核密度估计法。

MeanShift算法正是属于核密度估计法，它不需要任何先验知识而完全依靠特征空间中样本点的计算其密度函数值。

对于一组采样数据，直方图法通常把数据的值域分成若干相等的区间，数据按区间分成若干组，每组数据的个数与总参数个数的比率就是每个单元的概率值；

核密度估计法的原理相似于直方图法，只是多了一个用于平滑数据的核函数。采用核函数估计法，在采样充分的情况下，能够渐进地收敛于任意的密度函数，即可以对服从任何分布的数据进行密度估计。

---

核密度估计示范代码：https://github.com/xueyayang/algorithm_practice/tree/master/kernel-density-estimation

个人专注于运动背景下的目标跟踪