圖形跟蹤與卡爾曼濾波

圖形跟蹤與卡爾曼濾波第一頁，共二十四頁，編輯于2023年，星期二一、圖形的邊緣定位Snakes（主動輪廓模型）該模型通常用于定位對象的邊界。傳統(tǒng)的Snakes模型，是一條滿足χ(s)=[x(s),y(s)]（其中s∈[0,1]）的曲線通過在圖像空間域內的移動使得能量函數(shù)

取得最小值，從而來確定該圖像邊緣界線。第二頁，共二十四頁，編輯于2023年，星期二一、圖形的邊緣定位Snakes（主動輪廓模型）然而要想達到該目標，需在給定灰度圖像I(x,y)的前提下，滿足歐拉方程

以上等式可看作是作用力平衡方程

其中 ，第三頁，共二十四頁，編輯于2023年，星期二一、圖形的邊緣定位Snakes（主動輪廓模型）在此，我們引入時間變量t，使χ作為t的函數(shù)，并將對其的偏導與左邊建立等式

并將 替換為更常用的 ，從而得到

最后，通過對參數(shù)的不斷修正，以獲得最優(yōu)解。第四頁，共二十四頁，編輯于2023年，星期二一、圖形的邊緣定位GVF（梯度矢量流）GVF是在Snakes的基礎上，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)：第五頁，共二十四頁，編輯于2023年，星期二一、圖形的邊緣定位GVF（梯度矢量流）接下來就是求能量函數(shù)

的最小值。利用變分法，我們可以通過對以下兩個方程求解從而獲得GVF場：第六頁，共二十四頁，編輯于2023年，星期二一、圖形的邊緣定位GVF（梯度矢量流）對上述兩公式進行整理并引入ut和vt，從而得到

其中第七頁，共二十四頁，編輯于2023年，星期二一、圖形的邊緣定位GVF（梯度矢量流）繼而得到GVF的解決方案：

其中 ，第八頁，共二十四頁，編輯于2023年，星期二二、圖象的動態(tài)跟蹤AAM（主動外觀模型）AAM可實現(xiàn)可變形模板模型（幾乎）實時的目標跟蹤。它將平面形狀作為一個有限的地標集來處理，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：第九頁，共二十四頁，編輯于2023年，星期二二、圖象的動態(tài)跟蹤AAM（主動外觀模型）接下來我們引入質地方案，即“整個對象的像素強度的問題（如合適的標準化后有所必要）”，那么對于m個樣本可以這樣描述：

同樣有第十頁，共二十四頁，編輯于2023年，星期二二、圖象的動態(tài)跟蹤AAM（主動外觀模型）有了上述知識基礎，我們下來找到它們之間的聯(lián)系函數(shù)。在此之前，還需要引入一個組合模型參數(shù)c，使得 ，則可以基于該模型的線性性質直接獲得PCA的成績：

其中第十一頁，共二十四頁，編輯于2023年，星期二二、圖象的動態(tài)跟蹤AAM（主動外觀模型）最后，我們對以上模型進行優(yōu)化。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，此時二次誤差準則可作為優(yōu)化準則：

同時，AAM引入了參數(shù)變化之間的線性關系：第十二頁，共二十四頁，編輯于2023年，星期二二、圖象的動態(tài)跟蹤VTWPM（基于參數(shù)模型的有效區(qū)域跟蹤）當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。由于對象相對于相機的觀察和光源的變化，甚至可能出現(xiàn)部分或完全閉塞的區(qū)域。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構的變化中所產生的幾何失真。然后，我們用一個算法來跟蹤大的圖像區(qū)域，使需要跟蹤且沒有光照變化的區(qū)域不存在更多的計算幾何和光照。最后，我們從穩(wěn)健統(tǒng)計技術中增加這些方法，進而修正閉塞區(qū)域對象的統(tǒng)計離群值。

第十三頁，共二十四頁，編輯于2023年，星期二二、圖象的動態(tài)跟蹤VTWPM（基于參數(shù)模型的有效區(qū)域跟蹤）在這個算法中，我們主要利用以下兩組等式來進行公式的推導和求解：

其符合關系式第十四頁，共二十四頁，編輯于2023年，星期二二、圖象的動態(tài)跟蹤VTWPM（基于參數(shù)模型的有效區(qū)域跟蹤）以下是該算法在物像跟蹤和人臉識別中的應用第十五頁，共二十四頁，編輯于2023年，星期二三、卡爾曼濾波器KalmanFilter簡介卡爾曼濾波器早已被認定為許多跟蹤和數(shù)據(jù)預測任務的最佳解決方案。其在視覺運動分析方面的應用已經(jīng)多次被記錄在案。這里給出了標準的卡爾曼濾波器的推導作為在一些統(tǒng)計技術的實際應用方面的教程練習。過濾器的構造為最小平方差，其目的是從信號中提取所需的信息，忽略其他一切，執(zhí)行這項任務的效果有多好可以采用成本或損失函數(shù)來衡量。事實上，我們可以定義過濾器的目標是最大限度地減少這種損失的函數(shù)。第十六頁，共二十四頁，編輯于2023年，星期二三、卡爾曼濾波器KalmanFilter公式推導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用程序，但很明確的是這個函數(shù)是正的而且單調增加，一個具有這些特點的誤差函數(shù)是平方差函數(shù)。此外更有意義的指標是誤差函數(shù)的預期值第十七頁，共二十四頁，編輯于2023年，星期二三、卡爾曼濾波器KalmanFilter公式推導從而得出均方差（MSE）公式：

最大似然函數(shù)為：

其推導式為：第十八頁，共二十四頁，編輯于2023年，星期二三、卡爾曼濾波器KalmanFilter公式推導設k時刻的誤差協(xié)方差矩陣為Pk，則第十九頁，共二十四頁，編輯于2023年，星期二三、卡爾曼濾波器KalmanFilter公式推導第二十頁，共二十四頁，編輯于2023年，星期二三、卡爾曼濾波器替代卡爾曼方程以下是替代Kalman方程式：第二十一頁，共二十四頁，編輯于2023年，星期二三、卡爾曼濾波器替代卡爾曼方程第二十二頁，共二十四頁，編輯于2023年，星期二參考文獻ChenyangXu,andJerryL.Prince,“Snakes,Shapes,andGradientVectorFlow,”IEEETrans.onImag.Proc.,Vol.7,No.3,pp.359-369,Mar.1998.N.A.Thacker,andA.J.Lacey,“Tutorial:TheKalmanFilter,”TinaMemo:1995-1998,Internal,Dec.1st,1998.MikkelB.Stegmann,“ObjectTrackingUsingStatisticalModelsofAppearance”.第二十三頁，共二十四頁，編輯于2023年，星期二參考文獻GregoryD.Hager,andPeterN.Belhumeur,“EfficientRegionTrackingWithParametricModelsofG