DeepSORT（目标跟踪算法）中的马氏距离详解（很详细）

本文主要是介绍DeepSORT（目标跟踪算法）中的马氏距离详解（很详细），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

DeepSORT（目标跟踪算法）中的马氏距离详解（很详细）

flyfish

马氏距离的公式是由印度统计学家【普拉萨纳·钱德拉·马哈拉诺比斯（Prasanta Chandra Mahalanobis）】）（好长的名字，抄的）在1936年提出的。马氏距离是一种多维尺度上的距离度量，它考虑了各个维度之间的相关性，并且通过协方差矩阵对数据进行缩放，使得在计算不同数据点之间的距离时，可以考虑到各个维度的不同特性。可以直接拖到最后的一张图，看下马氏距离与欧式距离相比有什么优势

介绍

假设我们有两个点 $x$ 和 $y$ ，并且我们有这些点的协方差矩阵 $S$。马氏距离的公式为：

$D_M(x,y)=\sqrt{(x-y{)}^T{S}^{-1}(x-y)}$

下面是一个具体的例子：

假设点 $x=[2,3]$，点 $y=[6,8]$，协方差矩阵 $S=\left[\begin{array}{cc}4& 2\\ 2& 3\end{array}\right]$。

代码计算

1. 计算 $x-y$
2. 计算协方差矩阵的逆矩阵 $S^{-1}$
3. 计算 $(x-y{)}^T{S}^{-1}(x-y)$
4. 最后取平方根得到马氏距离
   让我们用Python代码验证这个计算过程。

代码

import numpy as np# 定义点 x 和 y
x = np.array([2, 3])
y = np.array([6, 8])# 定义协方差矩阵 S
S = np.array([[4, 2],[2, 3]])# 计算 x - y
delta = x - y# 计算协方差矩阵的逆矩阵 S^{-1}
S_inv = np.linalg.inv(S)# 计算马氏距离
mahalanobis_distance = np.sqrt(np.dot(np.dot(delta.T, S_inv), delta))print(mahalanobis_distance)

我们来执行这个代码，看看结果。

2.9154759474226504

计算结果显示，点 $x$ 和 $y$ 之间的马氏距离为 2.915。

手工计算马氏距离

1. 计算 $x-y$
2. 计算协方差矩阵的逆矩阵 $S^{-1}$
3. 计算 $(x-y{)}^T{S}^{-1}(x-y)$
4. 最后取平方根得到马氏距离
   给定点 $x=[2,3]$ 和 $y=[6,8]$，以及协方差矩阵 $S=\left[\begin{array}{cc}4& 2\\ 2& 3\end{array}\right]$。

步骤 1: 计算 $x-y$

$$\delta =x-y=[2,3]-[6,8]=[-4,-5]$$

步骤 2: 计算协方差矩阵的逆矩阵 $S^{-1}$

计算 $S$ 的行列式：
$$\det (S)=4\cdot 3-2\cdot 2=12-4=8$$

计算伴随矩阵：
$$\text{adj}(S)=\left[\begin{array}{cc}3& -2\\ -2& 4\end{array}\right]$$

计算逆矩阵：
$S^{-1}=\frac{1}{8}\cdot \text{adj}(S)=\frac{1}{8}\cdot \left[\begin{array}{cc}3& -2\\ -2& 4\end{array}\right]=\left[\begin{array}{cc}0.375& -0.25\\ -0.25& 0.5\end{array}\right]$

步骤 3: 计算 $(x-y{)}^T{S}^{-1}(x-y)$

我们分步计算：

1. 计算 $S^{-1}\cdot {\delta }^T$：
   $$S^{-1}\cdot {\delta }^T=\left[\begin{array}{cc}0.375& -0.25\\ -0.25& 0.5\end{array}\right]\cdot [-4,-5{]}^T$$
   我们先计算每个元素：
   $$\begin{array}{rl}0.375\cdot (-4)+(-0.25)\cdot (-5)& =-1.5+1.25=-0.25\\ -0.25\cdot (-4)+0.5\cdot (-5)& =1-2.5=-1.5\end{array}$$
   所以：
   $$S^{-1}\cdot {\delta }^T=[-0.25,-1.5]$$

2. 计算 $\delta \cdot [-0.25,-1.5{]}^T$：
   $$\delta \cdot [-0.25,-1.5{]}^T=[-4,-5]\cdot [-0.25,-1.5{]}^T=(-4\cdot -0.25)+(-5\cdot -1.5)=1+7.5=8.5$$

步骤 4: 取平方根

$$\sqrt{8.5}\approx 2.915$$

马氏距离的绘图

绘制两个点之间的欧氏距离和马氏距离来进行比较。假设我们使用之前定义的点 $x=[2,3]$ 和 $y=[6,8]$，以及协方差矩阵 $S$。

我们可以进行以下步骤：

1. 计算欧氏距离。
2. 计算马氏距离。
3. 绘制这两个点在平面上的位置。
4. 绘制欧氏距离和马氏距离的线段。
   以下是完整的Python代码来实现这些步骤，并进行绘图。

import numpy as np
import matplotlib.pyplot as plt# 定义点 x 和 y
x = np.array([2, 3])
y = np.array([6, 8])# 定义协方差矩阵 S
S = np.array([[4, 2],[2, 3]])# 计算欧氏距离
euclidean_distance = np.linalg.norm(x - y)# 计算马氏距离
delta = x - y
S_inv = np.linalg.inv(S)
mahalanobis_distance = np.sqrt(np.dot(np.dot(delta.T, S_inv), delta))# 绘图
plt.figure(figsize=(8, 8))
plt.scatter(*x, color='blue', label='Point x')
plt.scatter(*y, color='red', label='Point y')# 绘制欧氏距离
plt.plot([x[0], y[0]], [x[1], y[1]], 'k--', label=f'Euclidean Distance = {euclidean_distance:.2f}')# 为了绘制马氏距离的等高线，我们可以绘制马氏距离的椭圆
from matplotlib.patches import Ellipse# 计算椭圆的参数
eigvals, eigvecs = np.linalg.eigh(S)
angle = np.degrees(np.arctan2(*eigvecs[:,0][::-1]))width, height = 2 * np.sqrt(eigvals)ellipse = Ellipse(xy=x, width=width, height=height, angle=angle, edgecolor='purple', fc='None', lw=2, label=f'Mahalanobis Distance = {mahalanobis_distance:.2f}')
plt.gca().add_patch(ellipse)plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.title('Comparison of Euclidean and Mahalanobis Distances')
plt.grid(True)
plt.axis('equal')
plt.show()

欧氏距离和马氏距离的比较：

• 蓝点代表点 $x$。
• 红点代表点 $y$。
• 虚线表示两点之间的欧氏距离，长度为 6.40。
• 紫色椭圆表示马氏距离等高线，马氏距离为 2.92。

图中的椭圆反映了协方差矩阵 $S$ 的影响，显示了在不同方向上的不同尺度，这使得马氏距离能更准确地反映点与点之间的关系。欧氏距离忽略了数据的相关性和尺度，而马氏距离考虑了这些因素，使其在一些应用场景中更有用。

协方差

import numpy as np# 定义数据样本
data = np.array([[2, 3],[6, 8],[3, 5]
])# 计算均值向量
mean_vector = np.mean(data, axis=0)# 计算协方差矩阵
cov_matrix = np.cov(data, rowvar=False)print(mean_vector, cov_matrix)
[3.66666667 5.33333333] [[4.33333333 5.16666667][5.16666667 6.33333333]]

手工计算详细步骤

给定数据样本：

$\text{样本1}=[2,3]$
$\text{样本2}=[6,8]$
$\text{样本3}=[3,5]$

计算均值向量：

$$S_{ij}=\frac{1}{n-1}\sum _{k=1}^n(x_{ki}-{\mu }_i)(x_{kj}-{\mu }_j)$$
$$\mu =\left[\frac{2+6+3}{3},\frac{3+8+5}{3}\right]=[3.67,5.33]$$

计算协方差矩阵

1. 计算 $S_{11}$：

$$S_{11}=\frac{1}{n-1}\sum _{k=1}^n(x_{k1}-{\mu }_1{)}^2$$S11

$$\begin{array}{rl}{S}_{11}& =\frac{1}{2}\left[(2-3.67{)}^2+(6-3.67{)}^2+(3-3.67{)}^2\right]\\ & =\frac{1}{2}\left[(-1.67{)}^2+(2.33{)}^2+(-0.67{)}^2\right]\\ & =\frac{1}{2}\left[2.79+5.43+0.45\right]\\ & =\frac{8.67}{2}=4.33\end{array}$$

3. 计算 $S_{12}$：

$$S_{12}=\frac{1}{n-1}\sum _{k=1}^n(x_{k1}-{\mu }_1)(x_{k2}-{\mu }_2)$$
$$\begin{array}{rl}{S}_{12}& =\frac{1}{2}\left[(2-3.67)(3-5.33)+(6-3.67)(8-5.33)+(3-3.67)(5-5.33)\right]\\ & =\frac{1}{2}\left[(-1.67)(-2.33)+(2.33)(2.67)+(-0.67)(-0.33)\right]\\ & =\frac{1}{2}\left[3.89+6.22+0.22\right]\\ & =\frac{10.33}{2}=5.17\end{array}$$
4. 计算 $S_{22}$：
$$S_{22}=\frac{1}{n-1}\sum _{k=1}^n(x_{k2}-{\mu }_2{)}^2$$
$$\begin{array}{rl}{S}_{22}& =\frac{1}{2}\left[(3-5.33{)}^2+(8-5.33{)}^2+(5-5.33{)}^2\right]\\ & =\frac{1}{2}\left[(-2.33{)}^2+(2.67{)}^2+(-0.33{)}^2\right]\\ & =\frac{1}{2}\left[5.43+7.11+0.11\right]\\ & =\frac{12.65}{2}=6.33\end{array}$$

协方差矩阵

$$S=\left[\begin{array}{cc}4.33& 5.17\\ 5.17& 6.33\end{array}\right]$$

协方差矩阵对称性的解释

协方差矩阵的对称性来源于协方差的定义。对于随机变量 $X$ 和 $Y$，协方差定义为：

$$\text{Cov}(X,Y)=\frac{1}{n-1}\sum _{i=1}^n(X_i-{\mu }_X)(Y_i-{\mu }_Y)$$

由于协方差的计算中 $(X_i-{\mu }_X)$ 和 $(Y_i-{\mu }_Y)$ 可以互换位置，所以协方差矩阵的 $i,j$ 元素等于 $j,i$ 元素，即 $\text{Cov}(X,Y)=\text{Cov}(Y,X)$。因此协方差矩阵是对称矩阵。

协方差矩阵是对称的。这意味着 $S_{ij}$ 等于 $S_{ji}$。矩阵中的元素 $5.17$ 是重复的。

马氏距离公式的推导

马氏距离 $D_M$ 的公式如下：

$D_M=\sqrt{(x-y{)}^T{S}^{-1}(x-y)}$

其中：

• $x$ 和 $y$ 是两个 $d$ 维向量，表示两个数据点。
• $S$ 是数据的协方差矩阵。
• $S^{-1}$ 是协方差矩阵 $S$ 的逆矩阵。
• $(x-y{)}^T$ 是 $x-y$ 的转置向量。

推导过程

1. 欧氏距离的局限性：在多维数据中，直接使用欧氏距离来度量两个点之间的距离，会忽略各个维度之间的相关性和尺度差异。欧氏距离公式为：
   $$D_E=\sqrt{(x-y{)}^T(x-y)}$$
2. 标准化：为了克服欧氏距离的局限性，我们需要对数据进行标准化。对于一个维度上的数据，可以用均值和标准差来标准化，得到标准化后的数据：
   $$z=\frac{x-\mu }{\sigma }$$
3. 考虑相关性：在多维数据中，不同维度之间可能存在相关性。协方差矩阵 $S$ 反映了这种相关性。为了同时考虑尺度和相关性，我们可以对数据点进行变换，使得变换后的数据具有单位方差和零协方差。
4. 变换数据：为了进行这种变换，我们需要使用协方差矩阵的逆矩阵 $S^{-1}$ 来对数据进行缩放。变换后的数据点为：
   $$z=S^{-1/2}(x-y)$$
   其中 $S^{-1/2}$ 是协方差矩阵的逆矩阵的平方根。
5. 计算距离：变换后的数据点 $z$ 在单位方差和零协方差的情况下，可以直接使用欧氏距离来度量：
   $$D_M=\sqrt{z^{T}z}=\sqrt{(x-y{)}^T{S}^{-1}(x-y)}$$

上面已经计算的过程再走一遍（温习，下面的可不看）

假设我们有两个数据点 $x=[2,3]$ 和 $y=[6,8]$，协方差矩阵 $S=\left[\begin{array}{cc}4& 2\\ 2& 3\end{array}\right]$，我们可以计算马氏距离如下：

1. 计算 $x-y$：
   $$\delta =x-y=[2,3]-[6,8]=[-4,-5]$$
2. 计算协方差矩阵的逆矩阵 $S^{-1}$：
   $$S^{-1}=\left[\begin{array}{cc}0.6& -0.4\\ -0.4& 0.8\end{array}\right]$$
3. 计算 $(x-y{)}^T{S}^{-1}(x-y)$：
   $${\delta }^T{S}^{-1}\delta =[-4,-5]\left[\begin{array}{cc}0.6& -0.4\\ -0.4& 0.8\end{array}\right]\left[\begin{array}{c}-4\\ -5\end{array}\right]=[4.4+2,2+8]$$
   $$=\left[\begin{array}{cc}-4& -5\end{array}\right]\left[\begin{array}{c}-0.8\\ -1.5\end{array}\right]=3.2+7.5=8.5$$
4. 最后取平方根：
   $$D_M=\sqrt{8.5}\approx 2.915$$
   通过这种方式，我们可以考虑各个维度之间的相关性和不同的尺度，得到更准确的点与点之间的距离度量。

这篇关于DeepSORT（目标跟踪算法）中的马氏距离详解（很详细）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---