利用KDE进行运动目标视觉检测
一、程序运行平台：
KDE核密度估计在python2.7.14上实现，导入的库有numpy、Pillow、math、mpl_toolkits和matplotlib等。
二、设计思路
1、读取20张训练图片的数据。每个训练图片的数据：有576*768个像素点，每个像素都有三个通道即RGB。
2、同理，读取测试图片的数据，576*768*3
3、由EP核函数的公式，计算出每个测试图片上的像素点对应对的概率估计。
4、根据EP核函数的估计值，设定合适的阈值，将训练图片转化成二值图像。
三、代码优化及参数修改
1、代码优化：
当像素值变化比较大时，概率密度函数值变成小于0的数值，明显不符合概率的定义。这里我们采取一定的优化措施：将由于像素值对应通道差别太大，而导致出现的负值统统赋值为0；而不小于0的则是本身大小。
2、带宽参数修改：
在几何图形上：带宽h反映了KDE曲线整体的平坦程度，即观察到的数据点在KDE曲线形成过程中所占的比重 。带宽越大，观察到的数据点在最终形成的曲线形状中所占比重越小，KDE整体曲线就越平坦；带宽越小，观察到的数据点在最终形成的曲线形状中所占比重越大，KDE整体曲线就越陡峭。
在计算结果上：如果阈值不发生改变，当h较大时，Px相应会变小，此时在二值化的图片上显示的结果是白色区域面积扩大，黑色区域减小；当h设置较小时，二值化图片黑色区域面积扩大，白色区域面积减小。我们这里选取带宽h为100。
同时，阈值的选择也会影响二值化后图形的质量阈值为2x10^(-7)。
四、源代码：
分为python版本和MATLAB版本的
1 python版本有两个.py文件：读入训练数据的load_file.py 和运行文件KDE.py 代码在如下链接
https://download.csdn.net/download/strive_0902/10282566
2 MATLAB在如下链接
https://download.csdn.net/download/strive_0902/10282575
附：源码内含有word报告
结果图如下：前面两个是MATLAB的效果图；后面两个是python的效果图
