Apa
itu KDE? KDE –
is
a non-parametric way to estimate the probability density function of
a random variable. Kernel density estimation is a fundamental data
smoothing problem where inferences about the population are made,
based on a finite data sample
Perhatikan
histogram dari sebuah citra dengan kedalaman warna 8 bit (range 0
sampai 255) sebagai sumbu X dan Y adalah jumlah masing – masing
bit
Penulis menggunakan Kernel Density Estimation (Gaussian distribution) untuk melakukan pendekatan grafik histogram dengan w = 50 dan variasi nilai h yaitu 0.1 dan 0.01
Kemudian
menggunakan h = 0.001
Terlihat
bahwa besaran nilai h (bandwidth)mempengaruhi tingkat smooth.
Kegunaan KDE selain untuk melakukan smooth terhadap histogram juga
untuk meng efisienkan nilai yang digunakan, dibandingkan karena cukup
menyajikan data dari range 0 – 255 menjadi 0 – 50
sehingga data yang disimpan pun menjadi kecil sehingga waktu
komputasi nya menjadi sedikit. Berikut adalah salah satu aplikasi
untuk memanfaatkan KDE sebagai template matching untuk object
tracking


Tentu jika menggunakan teknik block overlapping waktu komputasi menjadi sangat lama harus ada teknik lainnya untuk mempercepat waktu komputasi yaitu menggunakan tracking mean distribution menggunakan meanshift object tracking
object tracking - kernel density estimation - template matching - realtime object tracking
No comments:
Post a Comment