圖形跟蹤與卡爾曼濾波-文庫吧資料
2025-05-05 05:36本頁面
【正文】 好可以采用成本或損失函數(shù)來衡量。其在視覺運動分析方面的應(yīng)用已經(jīng)多次被記錄在案。()),。()),。()),。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。接下來我們提出一個高效的并能夠解決對象跟蹤問題的總體框架：首先，我們開發(fā)了一個計算效率的方法來處理在結(jié)構(gòu)的變化中所產(chǎn)生的幾何失真。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。它將平面形狀作為一個有限的地標(biāo)集來處理，用于單一 N點形狀的表示是： 下面利用協(xié)方差矩陣的特征向量 的線性組合 引入平均形狀 得到下式： Tnn yyyxxx ],. . . ,. . . ,[x 2121?S?xSbSS bxx ???二、圖象的動態(tài)跟蹤 1. AAM（主動外觀模型） ? 接下來我們引入質(zhì)地方案，即“整個對象的像素強度的問題（如合適的標(biāo)準(zhǔn)化后有所必要 ）” ，那么對于 m個樣本可以這樣描述： 同樣有 Tmggg ],. . . ,[g 21?gg bgg ???二、圖象的動態(tài)跟蹤 1. AAM（主動外觀模型） ? 有了上述知識基礎(chǔ)，我們下來找到它們之間的聯(lián)系函數(shù)。),( 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。),(39。39。),( ?????(g)extF(p)extF0FF )g(i n t ?? ext一、圖形的邊緣定位 2. GVF（梯度矢量流） ? GVF是在 Snakes的基礎(chǔ)上，引入了函數(shù) ν(x, y)來代替 ，從而 下面我們引進源自于 I(x, y)的邊緣圖函數(shù)： (g)extF?????? ??? ),(39。),(39。39。
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1