多维正态分布与图形识别
版权声明:本文为博主原创文章,未经博主允许不得转载。
目录(?)[-]
- 多维正态分布与图形识别
- 目录
- 写在前面
- 从图形识别的角度对正态分布的理解
- 什么是正态分布
- 一维正态分布下的识别与匹配
- 二维正态分布下的识别与匹配
- 多维正态分布
- 一个图形匹配实际问题
- 写在后面
多维正态分布与图形识别
- 对一维,二维,多维正态分布的理解
- 从图形识别角度理解和应用正态分布
目录
- 多维正态分布与图形识别
- 目录
- 写在前面
- 从图形识别的角度对正态分布的理解
- 什么是正态分布
- 一维正态分布下的识别与匹配
- 二维正态分布下的识别与匹配
- 多维正态分布
- 一个图形匹配实际问题
- 写在后面
写在前面
- 学无止境,最初只是想要写一个对视频流进行运动识别匹配的程序,然而匹配识别的算法精度不够,于是开始学习线性代数,统计学里的一些知识。这两天又重新把正态分布理解了一下。下文里主要是对于正态分布的直观的想象和个人理解,请多指教。另外,因为对于csdn博客插入数学公式还不太熟悉,用了LaTeX以后会在公式或者变量右边出现一个“|”,还请不要在意。
从图形识别的角度对正态分布的理解
什么是正态分布?
一个弹珠从弹珠游戏机(日本很流行的パチンコ)的顶端落下,并与设置好的障碍发生碰撞。那么这个弹珠落下来的位置就是一个典型的一维正态分布。
正态分布,也叫高斯分布,是用来表示一个服从正态分布的随机变量的概率分布。而服从正态分布的条件就是,该变量周围存在大量作用因素,但作用因素的影响都很小,那么视这个变量服从正态分布。具体数学上的定义和限制条件先放过不提。
一维正态分布下的识别与匹配
若有一组符合正态分布的数据D₁,其平均值是μ,其标准差是σ,那么对这组数据就可以用一维正态分布的公式进行拟合,计算的结果就是这组数据的概率分布函数。此时再有一个数据x₁,想要知道x₁在D₁的分布下的概率,那么就直接将x₁带入D₁的正态分布函数中计算出相应的分布概率即可。
二维正态分布下的识别与匹配
类似的,若有两组二维数据D₁{(x₁,y₁),(x₂,y₂),……(xn , yn)},D₂{(x’₁,y’₁),(x’₂,y’₂),……(x’ₐ,y’ₐ)}符合正态分布,则通过计算每一维的平均值μx,μy,以及每一维的标准差σx,σy,可以计算得到D₁,D₂各自的正态分布。
如果对一个二维正态分布的图像,将Z轴去掉,以等高线的形式表示其分布的概率值的大小,那么对于D₁,D₂的图像,就变为了一系列包含着的椭圆。
当一个新的二维向量T(x,y)需要识别匹配T属于D₁还是D₂时,将T带入
D₁,D₂的正态分布公式后,得到的概率值大的即选定匹配结果。在图中可以看到,T与D₂的欧式距离近(虽然不明显,但是可以姑且想象),但是D₁在T的方向上概率变化缓慢(注意,椭圆表示的是密度的等高线),因此最终计算的结果应该是T匹配到D₁。
多维正态分布
由此引申到多维正态分布。
一组数据X在正态分布wl中对应的概率可由上式计算。
wl是一个M维样本,每一维样本又有N个属性的正态分布,也就是一个M*N的矩阵,Σl是wl的协方差矩阵。X同样是一个M*N的数据矩阵。
设X中的数据元素为xmn。
且
μli是wl中各维度的第i个属性相加求的平均值。
这样通过P(X|wl)就计算出了X分布在wl时候的概率值。有多个样本wl1,wl2……wln时只要求出X在各个样本中分布的概率即可完成匹配。
一个图形匹配实际问题
我学习多维正态分布主要是因为我遇到了下边的问题。
现有三个样本,每一个样本是一个120*30的矩阵。矩阵的行表示存储120帧连续的图像特征点信息,列表示每一帧图像信息是一个10*3的向量(十个关节点的三维坐标)。
现在又获得了一个120*30的新的图像流信息矩阵,要求将这个矩阵与三个样本进行比较匹配。
假设这些关节点各自独立不相互影响。
先求出与样本矩阵的协方差矩阵,和样本自身的平均值μ。然后计算P(X|wl),并比较得出概率最大的样本。
写在后面
目前还没有把这个算法实现代码,所以精度还不能从实验得知。但是首先,人的上半身10个关节点不能算完全独立不影响,比如腕关节和肘关节在运动时常常有相同的位移趋势等。这一点是否将会影响匹配结果还要等接下来的研究。
另外周二时候学习的奇异值分解与正态分布也有很大联系。在数据矩阵X中,每一列表示一个数据点,每一行表示一维特征。分解得到的S,U,V可以用正态分布的观点来看。U表示数据形成的正态分布的轴的方向,是一组单位正交基;S代表这些轴的长度,利用奇异值可以将数据矩阵降维并且可以研究数据之间的相关性。
比如,利用奇异值分解之后的结果,可以确定出我上面问题中,120帧图像流中,哪几帧相关性强,并且这些相关性强的帧中,哪几个关节点与这些帧的相关性强。也就是可以通过分类算法,将帧与动作联系在一起,从这样的相关性的方面对动作进行初步分类识别。而降维后再计算正态分布的概率想必肯定会提高识别的准确性。
在学习的路上希望能够坚持下去,共勉。
多维正态分布与图形识别相关推荐
- 一维正态分布、二维正态分布的matlab实现
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %本程序用于产生一维正态分布.二维正态分布 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% ...
- 二维正态分布matlab程序,一维正态分布、二维正态分布的matlab实现
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %本程序用于产生一维正态分布.二维正态分布 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% ...
- 一维、二维正态分布概率密度曲线的绘制
在MATLAB中使用 Y = normpdf(X,MU,SIGMA)函数求一维正态分布的概率密度,其中X为随机矢量,MU为期望,SIGMA为标准差 matlab代码如下: x=-8:0.1:8; y1 ...
- matlab随机抽取数字,Matlab 从多维正态分布中随机抽取样本:mvnrnd
R = mvnrnd(MU,SIGMA)--从均值为MU,协方差为SIGMA的正态分布中抽取n*d的矩阵R(n代表抽取的个数,d代表分布的维数). MU为n*d的矩阵,R中的每一行为以MU中对应的行为 ...
- 概率论笔记(六)一维正态分布/二维正态分布/多维正态分布
文章目录 一:一维正态分布 二:二维正态分布/多维正态分布 三:各向同性正态分布 一:一维正态分布 二:二维正态分布/多维正态分布 三:各向同性正态分布 各向同性的高斯分布(球形高斯分布)指的是各个方 ...
- 【概率论】5-10:二维正态分布(The Bivariate Normal Distributions)
title: [概率论]5-10:二维正态分布(The Bivariate Normal Distributions) categories: - Mathematic - Probability k ...
- matlab画二维正态等密度曲线,matlab:画二维正态分布密度函数图
首先,把二维正态分布密度函数的公式贴这里 这只图好大啊~~ 但是上面的那个是多维正态分布的密度函数的通式,那个n阶是对称正定方阵叫做协方差矩阵,其中的x,pi,u都是向量形式.虽然这个式子很酷,但是用 ...
- 证明二维正态分布中的参数ρ为相关系数
在二维正态分布中,参数 ρ\rhoρ 被定义为随机变量 X,YX,YX,Y 的相关系数,即 ρ=r(x,y)\rho=r(x,y)ρ=r(x,y).由 r(x,y)=Cov(x,y)Var[x]Var ...
- 二维正态分布的参数与概率密度图形
用 Microsoft Mathematics 绘制二维正态分布的概率密度图形,参数可以交互地调整. N(μ1, μ2; σ1, σ2, ρ) 下载 二维正态概率密度.gcw 然后点击重绘图形 μ1 ...
- python二维正态分布
# -*- coding:utf-8 -*- import numpy as np from scipy import stats import math import matplotlib as m ...
最新文章
- 2015二级c语言题库,2015年计算机二级C语言测试题及答案(9)
- mongodb java 开源_MongoDB Java环境下的开发
- python读取大文件的坑_python读取大文件踩过的坑——读取txt文件词向量
- boost::hana::experimental::print用法的测试程序
- 数据库备份策略 分布式_管理优秀的分布式数据团队的4种基本策略
- RPC failed; curl 56 SSLRead() return error -9806
- 局域网传文件_手机和电脑之间互传比较大的文件,哪种方式比较好?
- ACM模板——线段树树状数组ST表
- python支持强大的科学计算功能_Python可以做什么——Python语言的一个简要导引
- 装ubuntu_系统安装_win10下安装Ubuntu后,启动时无win10选项的解决办法。
- 商业计划书范文3000_餐厅 餐饮 饭店项目商业计划书模板范文
- 【Java性能调优】(性能调优流程)从系统评估到性能调优
- 卸载计算机更新程序包,KB4343669更新包无法卸载的解决方案
- Android shell脚本自动启动app,关闭app,遇到crash自动停止
- Android版股票K线图实现方案
- TaxThemis: Interactive Mining and Exploration of Suspicious Tax Evasion Groups
- /?、//、/'……等等是一个字符
- 搭建spring config的坑 记录一下
- 【选型】CC2530F256方案简介
- [转]局域网共享一键修复 18.5.8 https://zhuanlan.zhihu.com/p/24178142