佛山高空路灯车出租, 佛山高空路灯车租赁, 佛山高空路灯车公司

      自适应降采样搜索策略, 佛山高空路灯车出租, 佛山高空路灯车租赁, 佛山高空路灯车公司  采用特征匹配方法，并在图像中逐点滑动匹配窗口就能够找到与模板图像相似度最高的位置，但这种遍历的方式效率较低。模板匹配中降采样是一种常用的搜索策略，53利用降采样思想首先对待匹配图像中的匹配点进行间隔降采样，然后在降采样后的搜索空间内进行匹配，作粗匹配结果；之后再将粗匹配结果中向量特征误差小于一定阈值的匹配点及其小邻域范围作搜索空间，在其中做进一步的逐点精匹配，最后比较精匹配环节中各点误差，误差最小位置即目标匹配结果。定义二维搜索区域2^nmZS，nm,搜索区域的宽与高，S中各点nmiS,0,i均对应着一个二维待匹配区域hwiSMS，hw,匹配区域的宽与高，即模板图像的尺寸。iMSiS的一定形式与尺寸下的邻域范围，假设iS矩形区域iMS的左上角点，则iS处的iMS所包含的S元素具有以下形式：MShjSSmjwimjimjii,一般的，搜索区域S由上一帧的匹配结果iresultS决定。通过上述定义，降采样匹配过程可具体表述如下：首先对搜索区域S在二维空间中按一定间隔，隔行隔列得到降采样的搜索空间'S，然后遍历匹配各个'iS确定的匹配区域'SiM，并将其中匹配误差ierror小于阈值T的'iS及其邻域范围内的点作更新后的搜索空间updateS，最后遍历匹配各iSupdate对应的iMSupdate，将匹配误差ierror最小的iSupdate作本帧的iresultS。上述降采样匹配过程由于强制限定了非真实目标位置的匹配次数，从而避免了较多无效的匹配计算，并在真实目标附近的小误差位置上保留了像素级的遍历匹配过程，因此大幅度减小了匹配计算量，并能够保证匹配到真实目标。误差阈值T的选取是降采样匹配策略的关键，阈值T过大则会导致精匹配阶段的搜索空间updateS中元素个数过多，造成算法计算量过大；而阈值T过小则可能使降采样搜索空间'S中各个'iS的邻域失去进一步匹配的机会，造成算法定位误差过大。假设在每一帧图像的匹配过程中，'S内各待匹配位置'iS的向量特征误差变化始终较小，则可以估计出一个较合适的固定阈值，以使updateS中的元素大多位于真实目标附近。然而，实际中光照条件及目标周围景物均持续变化，从而使'S内的各待匹配位置'iS的向量特征误差变化幅度较大，很难得到一个兼顾匹配速度与匹配精度的固定阈值T。解决上54述问题，本文使用粗匹配阶段中所有'iS误差ierror的均值作自适应的阈值T，从而保证了误差较小'iS的邻域能够参与进一步匹配，这部分'iS通常离真实目标位置较近，同时也可避免离真实目标较远的区域进行不必要的匹配计算。

     定位结果Kalman滤波校正料门靶标匹配过程中，光照剧烈变化及短暂遮挡是造成位置检测失效的主要原因，了保证目标跟踪不丢失，还需要对目标的运动轨迹进行预测与估计，这样可提高匹配算法用于目标跟踪时的可靠程度。Kalman滤波是一种对动态系统的状态序列进行线性最小方差误差估计的算法，该算法以状态方程及观测方程来描述系统情况，采用递归的方法来更新系统状态得到估计值，具有很小的计算量，估计过程中利用了系统状态、观测量及噪声的统计特性，由于这些信息都是时域量，因此算法不但可以对平稳一维随机过程进行估计，也可对非平稳多维过程进行估计。可采用Kalman滤波算法来对RPT-GMM算法的目标检测结果进行实时的估计，定义系统状态kx，则kx是一个4维向量，分别代表了目标轨迹的在图像xy坐标方向上的位置。滤波器的状态方程与观测方程：k1w与kv分别均值零的高斯白噪声序列，协方差矩阵分别Q和R；A与H分别系统过程矩阵与观测矩阵，由于只能观测到目标的位置，因此H42矩阵。两帧图像的采集间隔时间。假设已知k时刻前的系统状态，可定义kxˆk时刻的先验状态估计，即通过k1时刻及状态矩阵A得到的状态预测值，定义kxˆk时刻的后验状态估计，即通过观测值kz得到的校正值：

   佛山高空路灯车出租, 佛山高空路灯车租赁, 佛山高空路灯车公司 http://www.panyushengjiangchechuzu.com/

     算法步骤综上所述，所提RPT-GMM算法步骤描述如下：步骤1，选取目标的矩形模板图像，采用GMM-EM算法提取该模板图像的向量特征σμ,Pn、局部最小与最大像素值xxmax,min；步骤2，在模板提取帧中确定初始搜索区域S，并得出隔两行两列的降采样搜索空间'S；步骤3，在'S对应的各待匹区域'SiM均依次进行局部最小与最大像素值yymax,min的查找、向量特征σμ,,,Pn的变换、以σμ,,,Pn初值迭代匹配，遍历所有'SiM后得到各降采样匹配点的误差ierror；步骤4，根据步骤3得到的各匹配点误差ierror确定阈值nTnii/error1，其中n降采样匹配点的个数，再将Tierror的'iS及其55邻域范围内的所有点作更新后的搜索空间updateS，并对updateS中的各匹配点iSupdate进行步骤3所描述的匹配过程。步骤5，将步骤4匹配结果中误差最小的iSupdate作本帧的目标位置匹配结果56iresultS，并在iresultS的邻域中确定下一帧所需的降采样搜索空间'S。步骤6，对所得目标位置匹配结果进行Kalman滤波校正。

     本章试验主要对比了所提RPT-GMM算法与传统RPT-NCC算法在光照变化及旋转情况下的匹配定位效果及匹配速度，试验在2.2.1节所述试验平台上完成，光照条件的变化通过调节镜头光圈大小及光源强度来实现。其中，RPT-GMM算法中各圆环聚类中心个数K选取3，其他可变的参数主要包括圆环数circleN、模板尺寸hw及搜索区域尺寸nm，两算法均使用了的自适应降采样搜索方法来加快匹配速度。另外，在算法定位误差对比时未使用Kalman滤波，这样可直接表明两匹配算法中因特征不同而产生的目标定位能力差异。由于光照、模板图像、邻域场景图像、模板尺寸等可变因素对算法处理效果的影响难以量化估计，因此本文对算法定位误差及速度的评价使用了多个模板图像匹配结果的平均值。

      本节对算法的定位能力进行定性的分析，包括了三个不同模板图像在连续光照变化、旋转及短暂遮挡下的匹配定位效果，试验结果3.10~图3.12（模板A~模板C），第一帧模板图像选取，图中黄色矩形框RPT-GMM算法的定位结果，青色矩形框RPT-NCC算法的定位结果，图中各模板尺寸均取3131像素，两算法的circleN分别取5和12，搜索区域模板图像周围扩展的3030像素邻域范围。仅反映了个别帧的匹配结果，实际上在环境变化时，匹配算法的定位误差都存在一定的波动，分别两算法对模板A在图像x轴方向上连续200帧的定位结果及其Kalman滤波检测结果，图中将标准位置设0，因此定位结果同时也体现了定位误差，而y轴方向的情况是类似的，在此不再单独列出。图示结果表明，两匹配算法在检测过程中均存在一些误差较大的帧，这些帧对应了低照度、背景混淆及遮挡等情况的发生，但RPT-GMM算法与RPT-NCC算法相比仍具有更少的大误差帧数，且误差波动幅度也相对较小，说明RPT-GMM算法在目标定位方面更加稳定。此外，两图中标示出的Kalman滤波估计结果与测量值相比也更接近于目标真实位置，波动测量值得到了一定程度的校正，而测量值较准确的帧较好的保持了原值，说明58Kalman滤波在此起到了稳定目标定位结果的作用。

   佛山高空路灯车出租, 佛山高空路灯车租赁, 佛山高空路灯车公司