摘要：http://blog.sina.com.cn/s/blog_4b9b714a0100is4f.htmlhttp://blog.sina.com.cn/s/blog_4b9b714a0100is5k.html 阅读全文

摘要：粒子滤波实现物体跟踪的算法原理： 1）初始化阶段-提取跟踪目标特征该阶段要人工指定跟踪目标，程序计算跟踪目标的特征，比如可以采用目标的颜色特征。具体到Rob Hess的代码，开始时需要人工用鼠标拖动出一个跟踪区域，然后程序自动计算该区域色调(Hue)空间的直方图，即为目标的特征。直方图可以用一个向量来表示，所以目标特征就是一个N*1的向量V。2）搜索阶段-放狗好，我们已经掌握了目标的特征，下面放出很多条狗，去搜索目标对象，这里的狗就是粒子particle。狗有很多种放法。比如，a)均匀的放：即在整个图像平面均匀的撒粒子(uniform distribution)；b)在上一帧得到的目标附近按照 阅读全文

摘要：Ransac是用途很广泛的算法，详细介绍请看http://en.wikipedia.org/wiki/RANSAC。下面简单介绍一下（没兴趣的可以略过不看）。我们分析世界，需要对世界建模，把世界中的现象抽象成模型。每个模型，又存在一些参数，通过调节参数，可以得到不同的实例，进行推演。我们观察现象，得到一堆数据。如何为这堆数据找一个合适的模型，再确定合适的模型参数，这是很重要的问题，是人类理性的基础。数据分两种：有效数据（inliers）和无效数据（outliers）。那些偏差不大的数据是有效数据，偏差大的数据是无效数据。如果有效数据占大多数，无效数据只是很少量时，我们可以通过最小二乘法或类似的 阅读全文

摘要：图像傅立叶变换图像的傅立叶变换，原始图像由N行N列构成，N必须是基2的，把这个N*N个包含图像的点称为实部，另外还需要N*N个点称为虚部，因为FFT是基于复数的，如下图所示：计算图像傅立叶变换的过程很简单：首先对每一行做一维FFT，然后对每一列做一维FFT。具体来说，先对第0行的N个点做FFT（实部有值，虚部为0），将FFT输出的实部放回原来第0行的实部，FFT输出的虚部放回第0行的虚部，这样计算完全部行之后，图像的实部和虚部包含的是中间数据，然后用相同的办法进行列方向上的FFT变换，这样N*N的图像经过FFT得到一个N*N的频谱。下面展示了一副图像的二维FFT变换：频域中可以包含负值，图像中 阅读全文

摘要：傅里叶变换是将时域信号分解为不同 频率的正弦和/余弦和的形式。傅里叶变换是数字图像处理技术的基础，其通过在时空域和频率域来回切换图像，对图像的 信息特征进行提取和分析。一维傅里叶变换及其反变换单变量连续函数，f(x)的傅里叶变换F(u)定义为等式：u=0，1，2，…，M一1 同样，给出F(u)， 能用反DFT来获得原函数： 其中，u=0，1，2，…，M一1。因此，我们看到傅里叶变换的每项[即对于每个u值，F(u)的值]由f(x)函数所有值的和组成。f(x)的值则与各种频率的正弦值和余弦值相乘。F(u)值的范围覆盖的域(u的值)称为频率域，因为u决定了变换的频率成分(x也作用于频率，但它们相加， 阅读全文

摘要：1：彩色图像转灰度，加权平均法W=0．229×R+0 587xG+0114xB（1）缩小图像为源图像的1/42: 中值滤波： 是否需要 ，看效果吧3：二值化 ： 大律法阈值4：边缘提取：可以使用简单的一阶差分运算，在水平方向和垂直方向，或者带有滤波效果的soble算子5：车牌粗提取：在水平方向上边缘统计发获得车牌大概位置的2个，在边缘统计图里面，从下向上进行判断，获得2个峰值，然后寻找 在获得的水平区域，利用垂直边缘统计获得车牌的具体位置 问题是：是否有其他区域的干扰？6：精确定位：(1)车牌的高宽比例，这个只有在正面的时候才成立，并不是非常确定的条件 （2）对粗定位中提取的区域进行 阅读全文

摘要：核跟踪 核跟踪的目标表达通常用原始的目标区域来表达，跟踪由计算目标运动来实现的。目标运动以参数形式的运动(如平移、仿射等)或计算得到的连续帧的密度流区域描述。这些算法在外观表达的运动、跟踪的目标数目、运动估计使用的方法等方面有所差异。核跟踪算法可分为两类：分别是基于模板和概率密度的外观模型的跟踪，和基于多视角外观模型跟踪。1 基于模板和概率密度外观模型的跟踪 这类方法计算简单，方法直观。根据目标是独立跟踪还是联合跟踪又可分为两个子类。1.1 单目标跟踪这类算法中最常用的是模板匹配，也是最直观的方法。在图像中搜索类似于预定义模板的区域，通过相似性度量(比如cross correlation)判断 阅读全文

摘要：现阶段的目标跟踪算法能够在简单的场景中进行鲁棒的实时跟踪。但是通常需要一些约束条件，如运动的平滑性，遮挡的数目，光照不变条件，目标与背景之间的对比度等。实际的应用场景很难符合这些条件。所以，特征选择、目标表达、运动形状、运动估计等相关问题还是较为热门的研究领域。在不受限制的日常视频中跟踪目标也是个重大挑战。噪声、压缩、非结构化场景都是带来困难的因素。利用特定的环境信息也是一个重要的研究方向。比如车辆跟踪中汽车应该限制在路面上而不是天上或墙上。这方面的信息对识别非常有意义。特征集合的选择对跟踪效果的影响也很大，通常选择区分性较好的特征。 现在流行使用多种特征的加权组合。机器学习和模式识别对特征选 阅读全文

摘要：轮廓跟踪形状复杂的目标难以用简单的几何形状来表示。基于轮廓的方法提供了较为准确的形状描述。这类方法的主要思想是用先前帧建立的目标模型找到当前帧的目标区域。其中目标模型可以是颜色直方图、目标边缘或者轮廓。基于轮廓的跟踪方法可以分为两类：形状匹配方法和轮廓跟踪方法。前者在当前帧中搜索目标性状，后者则通过状态空间模型或直接的能量最小化函数推演初始轮廓在当前帧中的新位置。1 形状匹配方法 这种方法类似于基于模板的跟踪，在当前帧中搜索目标的轮廓和相关模型。Huttenlocher et al.[1993] - 用基于边缘的表达方式进行形状匹配，用Hausdorff距离进行匹配测量。Li et al. [ 阅读全文