(八)目标跟踪中参数估计(似然、贝叶斯估计)理论知识

2024-03-31 09:52

本文主要是介绍(八)目标跟踪中参数估计(似然、贝叶斯估计)理论知识,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!

目录

前言

一、统计学基础知识

(一)随机变量

(二)全概率公式

(三)高斯分布及其性质

二、似然是什么?

(一)概率和似然

(二)极大似然估计

三、贝叶斯估计

(一)古典统计学与贝叶斯统计学的区别

(二)贝叶斯公式

总结


前言

        目标跟踪过程可以看做参数估计的过程,即利用测量信息实时对目标状态进行估计,需要用到很多概率统计的基础知识。在此针对参数估计中常用的基础知识和概念进行总结和讲解,根据自己的经验对似然函数和贝叶斯估计进行了详细的讲解,希望能为大家深入理解目标跟踪过程提供帮助。


一、统计学基础知识

(一)随机变量

        随机变量的值可以理解为“随机事件中的变量”, 是某随机试验(常见例子:抛硬币)的结果。在目标跟踪过程中,随机变量可以是跟踪目标的位置或者速度。根据随机变量是否连续可以将其分为离散随机变量和连续随机变量。

        连续随机变量x用概率密度函数(pdf)来表示,变量取值在一段区域内的概率为pdf在该段的积分,并且积分总和为1。公式为:P\left ( x \right )\geq 0,\int P\left ( x \right )dx = 1

        离散随机变量x的取值为离散数值,不同取值的概率构成概率质量函数(pmf),所有取值的概率和为一。公式为:P\left ( x =i\right )\geq 0,\int P\left ( x \right )dx = 1

(二)全概率公式

        假设已知变量x和变量z的联合分布P\left ( x,z \right ),其中变量z的分布P\left ( z \right )称之为边缘分布。边缘分布可以通过联合概率积分或者累加的方式消除其中一个变量的影响从而获得边缘分布。

        离散变量:P\left ( z \right )=\sum _{x\in S\left ( x \right )}P\left ( x,z \right )=\sum _{x\in S\left ( x \right )}P\left ( x \right )P\left ( z\mid x \right )

        连续变量:P\left ( z \right )=\int _{x\in S\left ( x \right )}P\left ( x,z \right ) dx=\int _{x\in S\left ( x \right )}P\left ( x \right )P\left ( z\mid x \right )dx

(三)高斯分布及其性质

        对于随机变量,具有两个非常重要的特性,即均值(期望)和(协)方差。均值体现了随机变量的平均值,协方差体现了随机变量的分散程度。当随机变量为多维时,方差变为协方差。

        假设Y为多维变量,均值和协方差的定义如下:

E\left \{ Y\right \}=\int Yp\left ( Y \right )dY

Cov\left \{ Y \right \}=E\left \{ \left [ Y-E\left \{ Y \right \}\right ] \left [ Y-E\left \{ Y \right \} \right ]^{\top }\right \}

        目标跟踪过程中常用到的分布形式为高斯分布,也称为正态分布。正态分布可以表示为x\sim N\left ( \mu ,Q \right )\muQ为高斯分布的两个参数,分布的pdf表示为:

P\left ( x \right ) = N\left ( x\mid \mu , Q\right ) = \frac{1}{\sqrt{2\pi Q}}exp\left ( \frac{1}{2} \left ( x-\mu \right )^{\top }Q^{-1}\left ( x-\mu \right )\right )

二、似然是什么?

(一)概率和似然

        概率的概念是已知分布形式和参数,度量某个样本的可能性(已知因,度量果);似然是已知分布形式和对应生成的样本,度量某个未知分布参数的可能性(已知果,度量因)。概率和似然正好是分布的两个方面,样本是分布表现的现象(果),分布参数是分布的本质(因)。

        似然(likehood)必须满足以下两个条件:

        1.对于某个参数的分布形式必须是事先假设已知(先验),而分布参数未知,比如假设分布形式为正态分布,伯努利分布等。

        2.必须有来自这个分布的独立采样的样本(也就是必须要有数据)。

(二)极大似然估计

        基于上述似然的条件,针对待估计的参数,使用一堆已知的样本去反推某个参数估计值,作为这个分布参数的可能性(似然)。通俗来讲,就是根据已知生成的样本,希望找到能最大概率生成观测数据的分布参数\theta ^{\ast }

        若观测值为Z,被估计参数为\theta,则对应的方法可以描述为:

\theta ^{\ast } = arg \, \, max_{\theta } \, \, p\left ( Z\mid \theta\right )

        公式通过导数为0来进行求解。

        想进一步了解的同学可以观看下面的链接:
参数估计(二).最大似然估计icon-default.png?t=N7T8https://zhuanlan.zhihu.com/p/55791843              

三、贝叶斯估计

(一)古典统计学与贝叶斯统计学的区别

        1.概念不同:古典统计学派又叫做频率学派,所研究的对象是能大量重复的随机现象。例如例如掷硬币试验就是可以大量重复的随机现象,结果包括正面和反面。通过进行大量的掷硬币试验,发现正、反面朝上的概率分别稳定在0.5左右。但是某些时间例如明天车子抛锚的概率是60%,这里的概率就不能用频率来理解,因为车子不可能一直坏。贝叶斯学派认为:一个事件的概率是人们根据经验对该事件发生可能性所给出的个人信念,这种概率称为主观概率。贝叶斯学派允许利用经验获得的先验信息,以提升统计推断的质量。

        2.对参数的理解不同:古典统计把θ看成一个常数,对于某种现象进行统计推断。贝叶斯统计把参数θ看成一个随机变量来进行统计推断,用概率分布来描述θ的未知状况,θ不是固定的常值。

        3.侧重点不同:古典统计学研究重心为总体,不是样本。贝叶斯统计学是通过将样本观测值与先验相结合,共同得到后验值,侧重的重心为样本。

(二)贝叶斯公式

        贝叶斯公式的核心就是后验概率正比于先验概率乘以似然。如下图所示:

        先验分布:指某件事发生的概率。

        后验分布:指某一件事在其他事件发生的前提下发生的概率。

        先验分布是指通过主观判断或者依据过去经验,对概率进行预测,之后通过越来越多的观测值来修正预测,得到最后的后验分布。需要注意的是贝叶斯公式的核心在于不消除未知变量的不确定性,而是通过越来越多的新的观测点来持续更新我们对于未知变量不确定性的认识,提升我们对于不确定性的信心。

        针对连续变量,贝叶斯公式可以写为:

\pi \left ( \theta _{i}\mid x \right )=\frac{\pi \left ( \theta _{i}\right )f(x\mid \theta _{i})}{\int _{\theta }f(x\mid \theta )\pi \left ( \theta \right )d\theta }

        1. 其中\pi \left ( \theta \mid x \right )为后验概率,f\left ( x\mid \theta \right )为观测到的样本分布,也就是似然函数。

        2.竖线左边才是我们想要的,积分区间\theta是指\theta所有可能取值的域,\pi \left ( \theta \mid x \right )是在已知x的前提下在\theta域内关于\theta的一个概率分布。

        3.在已知样本x的前提下,不同的\theta取值对应的可能性不同(也就是概率),也就是似然函数f\left ( x\mid \theta \right )


总结

        本文针对目标跟踪中用到的一些概率统计基础知识进行了总结梳理,重点讲述了似然的概念 、古典统计学派与贝叶斯学派的区别、贝叶斯公式的理解,适用于学习目标跟踪的读者,读者可以通过。

这篇关于(八)目标跟踪中参数估计(似然、贝叶斯估计)理论知识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!



http://www.chinasem.cn/article/864056

相关文章

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

Verybot之OpenCV应用三:色标跟踪

下面的这个应用主要完成的是Verybot跟踪色标的功能,识别部分还是居于OpenCV编写,色标跟踪一般需要将图像的颜色模式进行转换,将RGB转换为HSV,因为对HSV格式下的图像进行识别时受光线的影响比较小,但是也有采用RGB模式来进行识别的情况,这种情况一般光线条件比较固定,背景跟识别物在颜色上很容易区分出来。         下面这个程序的流程大致是这样的:

[数据集][目标检测]血细胞检测数据集VOC+YOLO格式2757张4类别

数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):2757 标注数量(xml文件个数):2757 标注数量(txt文件个数):2757 标注类别数:4 标注类别名称:["Platelets","RBC","WBC","sickle cell"] 每个类别标注的框数:

Linux内置的审计跟踪工具:last命令

如果你是一个服务器管理员,你或许知道你要保护你的服务器的话,不仅是从外部,还要从内部保护。Linux有一个内置工具来看到最后登陆服务器的用户,可以帮助你保护服务器。   这个命令是last。它对于追踪非常有用。让我们来看一下last可以为你做些什么。   last命令的功能是什么   last显示的是自/var/log/wtmp文件创建起所有登录(和登出)的用户。这个文件是二进制

YOLOv8/v10+DeepSORT多目标车辆跟踪(车辆检测/跟踪/车辆计数/测速/禁停区域/绘制进出线/绘制禁停区域/车道车辆统计)

01:YOLOv8 + DeepSort 车辆跟踪 该项目利用YOLOv8作为目标检测模型,DeepSort用于多目标跟踪。YOLOv8负责从视频帧中检测出车辆的位置,而DeepSort则负责关联这些检测结果,从而实现车辆的持续跟踪。这种组合使得系统能够在视频流中准确地识别并跟随特定车辆。 02:YOLOv8 + DeepSort 车辆跟踪 + 任意绘制进出线 在此基础上增加了用户

数据集 3DPW-开源户外三维人体建模-姿态估计-人体关键点-人体mesh建模 >> DataBall

3DPW 3DPW-开源户外三维人体建模数据集-姿态估计-人体关键点-人体mesh建模 开源户外三维人体数据集 @inproceedings{vonMarcard2018, title = {Recovering Accurate 3D Human Pose in The Wild Using IMUs and a Moving Camera}, author = {von Marc

[数据集][目标检测]智慧农业草莓叶子病虫害检测数据集VOC+YOLO格式4040张9类别

数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):4040 标注数量(xml文件个数):4040 标注数量(txt文件个数):4040 标注类别数:9 标注类别名称:["acalcerosis","fertilizer","flower","fruit","grey

数据集 Ubody人体smplx三维建模mesh-姿态估计 >> DataBall

Ubody开源人体三维源数据集-smplx-三维建模-姿态估计 UBody:一个连接全身网格恢复和真实生活场景的上半身数据集,旨在拟合全身网格恢复任务与现实场景之间的差距。 UBody包含来自多人的现实场景的1051k张高质量图像,这些图像拥有2D全身关键点、3D SMPLX模型。 UBody由国际数字经济学院(IDEA)提供。 (UBody was used for mesh r

目标检测-RT-DETR

RT-DETR (Real-Time Detection Transformer) 是一种结合了 Transformer 和实时目标检测的创新模型架构。它旨在解决现有目标检测模型在速度和精度之间的权衡问题,通过引入高效的 Transformer 模块和优化的检测头,提升了模型的实时性和准确性。RT-DETR 可以直接用于端到端目标检测,省去了锚框设计,并且在推理阶段具有较高的速度。 RT-DET