XNA——相机类

在某些方面,它与一般的游戏对象相似,我们可以在我们的场景中使用:它是一个转换矩阵,有一个坐标,可以使用矩阵转换函数来转换。出于这个原因,我们将实现相机类,从MatrixObjectBase中派生,命名为MatrixCameraObject。这个类是具体的(非抽象类),并可以直接使用,不必继承更远的类。相机类的坐标在类继承关系上可以在图中看到。

image

然而,在相机和标准游戏对象中有一些明显的不同:
1)在任何时间,游戏中仅可以只有一个活动的相机。
2)相机不会做任何绘制,虽然它们任然可以像其它任何普通游戏对象那样,更新它们的坐标。
3)相机坐标更新和应用的顺序在3D场景中是有意义的:如果它的坐标通过一组对象改变一半,这其中的一些对象将出现相对于就的相机位置,其它对于相对于新坐标位置,它能够产生非常奇怪样子的结果。
4)我们必须知道相机看到的位置,MatrixObjectBase类没有任何属性来定义它。

这些点首先要解决直接为一个相机对象添加一个详细的规定到GameHost类中。代替添加相机对象给GameObjects集合,设置相机到GameHost.Camera属性。如果相机已经被设置了,它将在每一次调用Update和Draw函数期间被处理。如果没有设置相机,没有关联相机的处理将发生。

虽然第二点是真的(相机不会绘制任何东西),我们将任然利用所有的MatrixCameraObject 类的Update和Draw方法。在Update方法中,我们可以设置相机坐标,就像我们设置普通对象的坐标那样。在Draw方法中,我们将在效果对象中申请相机坐标以便它对所有后续渲染对象是活动的。

第三点通过游戏框架是很容易解决的。它可以确定相机是最后需要更新的对象(在GameHost.UpdateAll函数)并且第一个绘制(在它的DrawObjects函数)。更新最后确保,如果相机坐标是设置在场景中的相关其它对象(我们将立刻演示),目标对象总是放置在相机前以便相机得到最新的信息。绘图第一确保相机坐标是活动的,在任何对象被渲染前。第四点解决办法是加入一个新的Vector3属性给MatrixCameraObject类,命名为LookAtTarget。这个属性可以用来指定朝向相机所聚焦的位置。

相机类默认的行为是给在通过坐标矩阵指定位置本身的坐标,在它的LookAtTarget矢量朝向指定位置。如果额外的定位逻辑活一个不同的Matrix.CreateLookAt函数调用实现是必须的,在派生类中,Update和/或Draw方法可以被覆盖,这是必须的。

转载于:https://www.cnblogs.com/appleseeker/archive/2012/04/30/XNAe28094e28094e79bb8e69cbae7b1bb.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的别和位置,是计算机视觉领域的核心问题之一。由于各物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体别(目标分)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个别的概率(首先得到别概率,经过Softmax可得到别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分,并根据分结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测别匹配真实值(Ground truth)的别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值