圖形跟蹤與卡爾曼濾波-wenkub
2023-05-14 05:36:19 本頁面
【正文】 Etststs ???? ),(39。),(39。39。),( tststst )],(),([),( yxvyxuyx ??),(),( yxEyxf iext??一、圖形的邊緣定位 2. GVF（梯度矢量流） ? 接下來就是求能量函數(shù) 的最小值。在 AAM中，盡量減少搜索和實際圖像所提供的合成對象之間的差異是一種優(yōu)化算法，此時二次誤差準(zhǔn)則可作為優(yōu)化準(zhǔn)則 ： 同時， AAM引入了參數(shù)變化之間的線性關(guān)系： 21212i m a g em o d e l )()( ggggEmiimi?? ???? ????gRc ?? ?二、圖象的動態(tài)跟蹤 2. VTWPM（基于參數(shù)模型的有效區(qū)域跟蹤） ? 當(dāng)一個對象通過移動相機的視野，其圖像可能會發(fā)生顯著變化。最后，我們從穩(wěn)健統(tǒng)計技術(shù)中增加這些方法，進而修正閉塞區(qū)域?qū)ο蟮慕y(tǒng)計離群值。()),。其在視覺運動分析方面的應(yīng)用已經(jīng)多次被記錄在案。 三、卡爾曼濾波器 2. Kalman Filter公式推導(dǎo) ? 下面先介紹一下均方差和最大似然函數(shù) 其中 的特定形狀是依賴于應(yīng)用程序，但很明確的是這個函數(shù)是正的而且單調(diào)增加，一個具有這些特點的誤差函數(shù)是平方差函數(shù)。39。)(39。()39。)39。????????????????????????????????????RHPHHRRHPRHHPIHPRHIRHPIRHHPRHHPRHIPIRHHPRHPPPRHHPRRHPPPRHHPHPKTkTTkTkkTTkTkTkTkTkTkkkTkTkkkTkTkk三、卡爾曼濾波器 3. 替代卡爾曼方程 參考文獻 1. Chenyang Xu, and Jerry L. Prince, “Snakes, Shapes, and Gradient Vector Flow,” IEEE Trans. on Imag. Proc., Vol. 7, No. 3, pp. 359369, Mar. 1998. 2. N. A. Thacker, and A. J. Lacey, “Tutorial: The Kalman Filter,”
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1