进入机器视觉组打酱油已经是第七天了。然想到要写日记，那个许多大科学家不都有实验日记吗？等我挂了之后，我的某个传记作者可以这样写道：“承蒙Eager小女儿XXX女士的好意，使我有幸翻阅了Eager 22岁时的实验日记，我发现…………”，靠，倍儿有感觉。
所以为给将来为我写传记的潦倒文人提供方便，我要开始记流水帐了。
本周以来主要研究了几个算法：
XA：通过异或(Xor)运算和与(And)运算实现的运动目标识别法，使用3帧图像获得运动目标的轮廓。本质上是一种背景建模法。
迭代背景差法：通过多次背景建模来识别运动目标。每次建模时，把上次识别为前景的那些像素排除，然后用均值法构建背景。在最初的迭代中，使用宽松的前景识别标准，保证背景的“纯洁”。然后组建加强区分条件，以获得更准确的前景轮廓。
概率背景差法：通过正态分布模型来分辨前景和背景，允许背景色在一定显著性水平内波动。偏差超过临界值则认为是前景。对于正态分布模型的构建，我使用逐个去除小概率点的做法来估计均值和方差，但今天发现还有更好的做法：波动中位数最小法。
连通性处理：通过寻找连通分支的方法去除轮廓图中的噪点。效果不错。主要流程为：中度腐蚀-求3维最大连通分支-高度扩张-与原始图像做And运算-Open-Close运算
所以为给将来为我写传记的潦倒文人提供方便，我要开始记流水帐了。
本周以来主要研究了几个算法：
XA：通过异或(Xor)运算和与(And)运算实现的运动目标识别法，使用3帧图像获得运动目标的轮廓。本质上是一种背景建模法。
迭代背景差法：通过多次背景建模来识别运动目标。每次建模时，把上次识别为前景的那些像素排除，然后用均值法构建背景。在最初的迭代中，使用宽松的前景识别标准，保证背景的“纯洁”。然后组建加强区分条件，以获得更准确的前景轮廓。
概率背景差法：通过正态分布模型来分辨前景和背景，允许背景色在一定显著性水平内波动。偏差超过临界值则认为是前景。对于正态分布模型的构建，我使用逐个去除小概率点的做法来估计均值和方差，但今天发现还有更好的做法：波动中位数最小法。
连通性处理：通过寻找连通分支的方法去除轮廓图中的噪点。效果不错。主要流程为：中度腐蚀-求3维最大连通分支-高度扩张-与原始图像做And运算-Open-Close运算
2211
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
