ZYTTAE的专栏

转至：http://blog.sina.com.cn/s/blog_6e4fdcbd0100qr7b.html

正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。若随机变量X服从一个数学期望为μ、标准方差为σ2的高斯分布，记为：X∼N(μ,σ2),则其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度

根据上篇文章，MeanShift算法(一)，了解了MeanShift算法的最基本理论。推导了如何利用核密度估计函数和密度梯度估计以及轮廓函数得到mean shift向量。可是有了这么一个理论总需要把它应用在某个领域里吧。那么现在就开始进入MeanShift运动目标跟踪的世界。以前在别人的博客里看见有人说MeanShift算法现在已经不常用了，貌似被淘汰了，真假难辨？就算是真的，学习这一种算法那也能

参考论文：D. Comaniciu and P. Meer, “Mean shift: A robust approach toward feature space analysis,” IEEE T. PAMI, vol. 24, no. 5, pp. 603-619, May 2002MeanShift 可以翻译为“均值漂移”，它在聚类、图像平滑、图像分割和跟踪方面得到了比较广泛的应用。M

反向投影：OpenCV 资料里给出的概念是“一种记录给定图像中的像素点如何适应直方图模型像素分布的方式。简单的讲， 所谓反向投影就是首先计算某一特征的直方图模型，然后使用模型去寻找图像中存在的该特征。”简单一点理解就是模板匹配，给定一个目标模板，然后再逐个遍历原图像和模板图像相同的图像块，对比图像块和模板的直方图，然后把比较结果存入一个新的图像中，新图像中的全局极值就是模板在原图像中所在的位置

CamShift(Continuous Adaptive Mean Shift)是MeanShift的改进算法。建立跟踪目标的颜色概率模型后，可将视频转化为颜色概率分布图，然后在第一帧图像中初始化搜索窗。对以后的每一帧图像， CamShift可以自动调整搜索窗的大小和位置，定位被跟踪目标的中心和大小，并且用当前帧定位结果来预测下一帧图像中目标的中心和大小。CamShift算法是一种动态变化分布

空间图像几何变换包括两个主要步骤：（1） 空间坐标变换（2）变换坐标的赋值、插值运算空间坐标变换一般可以表达为如下式子：对于用得普遍的仿射变换，可以表达为如下式子：(x, y)为变换后的坐标，(v, w)为变换前的坐标。通过变换矩阵T，可以进行图像的缩放，旋转，平移等。有了坐标的变换，下面一步就是进行像素灰度级的赋值了。从原始图像映射到变换图像，赋值的时候需

在图像的基本仿射变换中，经常会碰到经过旋转、缩放后灰度值如何赋值的问题。因为变换之后，图像的坐标位置有可能是小数，所以就需要插值算法来确定到底将该像素赋予哪个位置。1、最邻近插值法(Nearest Interpolation)这是最简单的一种插值方法，不需要计算。在待求像素的四邻像素中，将距离待求像素最近的邻接像素灰度值赋予待求像素。设i+u, j+v(i, j为正整数， u, v为大于零

转载一篇文章： BMP文件格式分析 把BMP图片的格式解释的很清楚。其中BMP头文件的格式可以定义为：#ifndef BITMAPINFO_H#define BITMAPINFO_Htypedef unsigned char BYTE;typedef unsigned short WORD;typedef unsigned long DWORD;typedef long