運(yùn)動(dòng)視覺(jué)分析xppt課件-資料下載頁(yè)
2025-01-15 13:48本頁(yè)面
【正文】 ()(???????????????????????????????kkPHkKIkkPkkHXkZkKkkXkkXRHkkHPHkkPkKQAkkAPkkPkBUkkAXkkXkVkHXkZkWkBUkAXkX均方誤差更新：最優(yōu)估計(jì)：濾波增益：均方誤差預(yù)測(cè)：狀態(tài)預(yù)測(cè)：測(cè)量方程：狀態(tài)方程：42 卡爾曼濾波 )1/())(()/())1/()()(()1/()/())1/(/()1/()()1/1()1/()1/1()1/(?????????????????????kkPkKIkkPkkXkZkKkkXkkXRkkPkkPkKQkkPkkPkkXkkX均方誤差更新：最優(yōu)估計(jì)：濾波增益：均方誤差預(yù)測(cè)：狀態(tài)預(yù)測(cè)：43 卡爾曼濾波 房間測(cè)量溫度平均值為 25度，有標(biāo)準(zhǔn)偏差，為圖中藍(lán)線 10)0/0(。1)0/0(??PX44 卡爾曼濾波 EKF濾波器：使用一階泰勒展開(kāi)逼近非線性項(xiàng)，使用高斯分布近似狀態(tài)分布； UKF濾波器：使用少數(shù)幾個(gè) sigma點(diǎn)樣本，逼近到非線性泰勒展開(kāi)的二次項(xiàng) 45 粒子濾波 1）初始化階段 提取跟蹤目標(biāo)特征 該階段要人工指定跟蹤目標(biāo)，程序計(jì)算跟蹤目標(biāo)的特征，比如可以采用目標(biāo)的顏色特征。具體到 Rob Hess的代碼，開(kāi)始時(shí)需要人工用鼠標(biāo)拖動(dòng)出一個(gè)跟蹤區(qū)域，然后程序自動(dòng)計(jì)算該區(qū)域色調(diào) (Hue)空間的直方圖，即為目標(biāo)的特征。直方圖可以用一個(gè)向量來(lái)表示，所以目標(biāo)特征就是一個(gè) N*1的向量 V。 46 粒子濾波 1）搜索階段 放狗 我們已經(jīng)掌握了目標(biāo)的特征，下面放出很多條狗，去搜索目標(biāo)對(duì)象，這里的狗就是粒子 particle。 a)均勻的放：即在整個(gè)圖像平面均勻的撒粒子； b)在上一幀得到的目標(biāo)附近按照高斯分布來(lái)放，靠近目標(biāo)的地方多放，遠(yuǎn)離目標(biāo)的地方少放。 每條狗怎么搜索目標(biāo)呢？就是按照初始化階段得到的目標(biāo)特征 (色調(diào)直方圖，向量 V)。每條狗計(jì)算它所處的位置處圖像的顏色特征，得到一個(gè)色調(diào)直方圖，向量Vi，計(jì)算該直方圖與目標(biāo)直方圖的相似性。相似性有多種度量，最簡(jiǎn)單的一種是計(jì)算 sum(abs(ViV)).每條狗算出相似度后再做一次歸一化，使得所有的狗得到的相似度加起來(lái)等于 1. 47 粒子濾波 3）決策階段 我們放出去的一條條聰明的狗向我們發(fā)回報(bào)告，“一號(hào)狗處圖像與目標(biāo)的相似度是 ”,“二號(hào)狗處圖像與目標(biāo)的相似度是 ”,“三號(hào)狗處圖像與目標(biāo)的相似度是 ”,“N號(hào)狗處圖像與目標(biāo)的相似度是 ”...那么目標(biāo)究竟最可能在哪里呢？我們做次加權(quán)平均吧。設(shè) N號(hào)狗的圖像像素坐標(biāo)是 (Xn,Yn),它報(bào)告的相似度是 Wn,于是目標(biāo)最可能的像素坐標(biāo) X = sum(Xn*Wn),Y = sum(Yn*Wn). 48 粒子濾波 4）重采樣階段 既然我們是在做目標(biāo)跟蹤，一般說(shuō)來(lái)，目標(biāo)是跑來(lái)跑去亂動(dòng)的。在新的一幀圖像里，目標(biāo)可能在哪里呢？還是讓我們放狗搜索吧。但現(xiàn)在應(yīng)該怎樣放狗呢？讓我們重溫下狗狗們的報(bào)告吧?！耙惶?hào)狗處圖像與目標(biāo)的相似度是 ”,“二號(hào)狗處圖像與目標(biāo)的相似度是”,“三號(hào)狗處圖像與目標(biāo)的相似度是 ”,“N號(hào)狗處圖像與目標(biāo)的相似度是 ”...綜合所有狗的報(bào)告，一號(hào)狗處的相似度最高，三號(hào)狗處的相似度最低，于是我們要重新分布警力，正所謂好鋼用在刀刃上，我們?cè)谙嗨贫茸罡叩墓纺抢锓鸥鄺l狗，在相似度最低的狗那里少放狗，甚至把原來(lái)那條狗也撤回來(lái)。這就是 Sampling Importance Resampling，根據(jù)重要性重采樣 (更具重要性重新放狗 )。 49 粒子濾波 4）重采樣階段 既然我們是在做目標(biāo)跟蹤，一般說(shuō)來(lái)，目標(biāo)是跑來(lái)跑去亂動(dòng)的。在新的一幀圖像里，目標(biāo)可能在哪里呢？還是讓我們放狗搜索吧。但現(xiàn)在應(yīng)該怎樣放狗呢？讓我們重溫下狗狗們的報(bào)告吧。“一號(hào)狗處圖像與目標(biāo)的相似度是 ”,“二號(hào)狗處圖像與目標(biāo)的相似度是”,“三號(hào)狗處圖像與目標(biāo)的相似度是 ”,“N號(hào)狗處圖像與目標(biāo)的相似度是 ”...綜合所有狗的報(bào)告，一號(hào)狗處的相似度最高，三號(hào)狗處的相似度最低，于是我們要重新分布警力，正所謂好鋼用在刀刃上，我們?cè)谙嗨贫茸罡叩墓纺抢锓鸥鄺l狗，在相似度最低的狗那里少放狗，甚至把原來(lái)那條狗也撤回來(lái)。這就是 Sampling Importance Resampling，根據(jù)重要性重采樣 (更具重要性重新放狗 )。 50 粒子濾波 MCMC改進(jìn)策略：馬爾科夫鏈蒙特卡洛方法，通過(guò)構(gòu)造馬爾科夫鏈，產(chǎn)生來(lái)自目標(biāo)分布的樣本。 MCMC能將粒子移到不同的地方； UPF粒子濾波器：由 UKF產(chǎn)生 PF的重要性分布； RaoBlackwellised粒子濾波器：對(duì)某些狀態(tài)模型，采用解析的方法求解，降低了采用空間的維數(shù)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1