![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
传统CV
文章平均质量分 69
Blizzard_v
An explorer
展开
-
【跟踪】粒子滤波---particle filtering详解
想要充分理解粒子滤波算法,必须得从贝叶斯滤波器开始理解起来,因为卡尔曼滤波和粒子滤波都是基于此的。动态模型是指两个函数或者说两个模型(状态模型和观测模型):一个函数的输出为当前时刻的状态,输入为上一时刻的状态和噪声。另一个函数的输出是当前时刻的观测,输入为当前时刻的状态(这个状态是更新调整后的)和噪声。卡尔曼滤波限制噪声时服从高斯分布的,但是粒子滤波可以不局限于高斯噪声,原理上粒子滤波可以驾驭所有的非线性、非高斯系统。非线性是指相邻隐状态(隐,参照隐马尔可夫模型,指的就是状态序列,他是我们无法观测得知的原创 2022-09-07 22:34:16 · 5386 阅读 · 2 评论 -
光流法optical flow
光流(optical flow),字面意思描述的是图像中像素强度的流动。光流法的目的是根据图像中像素点的灰度值强度变化估计出物体移动速度与方向。首先,光流估计指的是利用时间上相邻的两帧图像内像素强度的变化来计算点的运动。原理决定了这种方法是建立在一系列假设上的。1.前后两帧中点的位移不大, 灰度不变假设,这要求外界光强保持恒定。2.空间相关性,每个点的运动和邻近的点类似。原创 2022-09-06 22:23:02 · 814 阅读 · 0 评论 -
极几何,本质矩阵,基础矩阵,单应矩阵,相机投影矩阵
极几何描述了同一场景或者物体在两个视点图像间的对应关系。下图中的O1和O2分别是两个相机的光心,即摄像机坐标系的原点。由下图可知给定了一个三维空间下的P点,虽然不知道对应的成像平面上像素点p和p’在哪个位置,但是我知道它一定在l和l’这两条极线上。这样就不会全图去找了,只用在极线上去搜索了。再比如给定一个图像上的p点,找另一个图像上对应的p’点就可以通过极几何约束,将搜索范围缩小到对应的极线上本质矩阵是表示对规范化摄像机拍摄的两个视点图像间的极几何关系进行代数描述。原创 2022-09-01 18:14:13 · 3482 阅读 · 0 评论 -
2D平面上的变换和3D空间中的变换以及求无穷远点
无穷远线或者无穷远面(3维空间才有)就是一个向量(我们把直线方程Ax+By+C=0的系数A,B,C拿出来组成一个向量,我们就称这个向量为这个直线,所说的无穷远线也就是指这个系数向量,无穷远面同理),这个向量的最后一维为1,其余维为0。3D空间中变换就是3维到3维的变换,下图的变换也就是一个相似变换,只不过相似变换矩阵中的旋转矩阵有三个轴,所以R矩阵是3乘3的矩阵,s还是缩放因子,t还是平移量,但在三维空间中就是三个平移量了。下图中左边是欧式坐标系(欧式就是二维坐标系)的表示,右边是齐次坐标系的表示。....原创 2022-08-30 16:36:55 · 899 阅读 · 0 评论 -
拉普拉斯Laplace算子和高斯二阶导核(LOG算子)和SIFT算法
拉普拉斯算子是对图像的二阶微分,是用来求取边缘的, Laplace算子是各项同性的,即具有旋转不变性,在一阶微分里,我们是用|dx|+|dy|来近似一个点的梯度的,当图像旋转一个角度时,这个值就变化了,但对于Laplace算子来说不管图像怎么旋转,得到的响应是一样的。然后就是拉普拉斯算子关心的是图像灰度的突变而不强调灰度缓慢变化的区域,对边缘的定位能力更强。不一样,梯度计算对象是标量(具体来说是对标量求导,结果是有方向的数),散度计算对象是矢量(具体来说是各分量的求导,结果是一个没有方向的数)。原创 2022-08-23 20:27:50 · 5675 阅读 · 0 评论 -
图像的尺度空间
图像的尺度空间是指图像的模糊程度,而非图像的大小。近距离看一个物体和远距离看一个物体,模糊程度是不一样的;原创 2022-08-22 23:34:43 · 740 阅读 · 0 评论 -
高斯核和高斯偏导核
所以用3倍σ来表示窗宽的话这个滤波器核就有意义,就不用对窗口里的每个值做归一化(这里的归一化就是指每个窗口里的每个值除以窗口里的每个值求和的结果,这样保证窗口里的每个值求和后恒等于1),为什么要窗口内的权重参数求和为1呢?1.f表示图像信号,g表示高斯核,下面这一张图是先用高斯平滑核(由于高斯函数的特性,所以高斯平滑核可分离为x和y方向的卷积核,无负数,且加权求和为1)对图像进行卷积达到去噪的效果,然后对去噪后的图像求导得到边缘。3.二维高斯核由于高斯函数的特性可分解为x方向和y方向的一维高斯核。原创 2022-08-22 19:56:45 · 2444 阅读 · 0 评论 -
Harris角点检测原理详解
如果是平坦区域,那么像素点的梯度所构成的点集比较集中在原点附近,因为窗口区域内的像素点的梯度幅值非常小,此时矩阵M的对角化的两个特征值比较小;如果是边缘区域,在计算像素点的x、y方向上的梯度时,边缘上的像素点的某个方向的梯度幅值变化比较明显,另一个方向上的梯度幅值变化较弱,其余部分的点都还是集中原点附近,这样M对角化后的两个特征值理论应该是一个比较大,一个比较小,当然对于边缘这种情况,可能是呈45°的边缘,致使计算出的特征值并不是都特别的大,总之跟含有角点的窗口的分布情况还是不同的。转载 2022-08-21 23:19:02 · 4885 阅读 · 1 评论