-
匹配滤波器及卷积
匹配滤波及卷积
- 2021-05-06下载
- 积分：1
-
APAP（As Projective As Possible）视差鲁棒的图像拼接算法
论文《As-Projective-As-Possible Image Stitching with Moving DLT》中的拼接算法，对于视差图像拼接具有一定的鲁棒性，但是对特征点数量及其分布均匀性有较高的要求。 The success of commercial image stitching tools often leads to the impression that image stitching is a “solved problem”.The reality, however, is that many tools give unconvincing results when the input photos violate fairly restrictive imaging assumptions;the main two being that the photos correspond to views that differ purely by rotation, or that the imaged scene is effectively planar.Such assumptions underpin the usage of 2D projective transforms or homographies to align photos. In the hands of the casual user,such conditions are often violated, yielding misalignment artifacts or “ghosting” in the results. Accordingly, many existing imagestitching tools depend critically on post-processing routines to conceal ghosting. In this paper, we propose a novel estimationtechnique called Moving Direct Linear Transformation (Moving DLT) that is able to tweak or fine-tune the projective warp toaccommodate the deviations of the input data from the idealized conditions. This produces as-projective-as-possible image alignmentthat significantly reduces ghosting without compromising the geometric realism of perspective image stitching. Our technique thuslessens the dependency on potentially expensive postprocessing algorithms. In addition, we describe how multipleas-projective-as-possible warps can be simultaneously refined via bundle adjustment to accurately align multiple images for largepanorama creation.
- 2020-11-30下载
- 积分：1
-
人工势场结合模糊控制算法的机器人路径规划（可直接运行）
人工势场配合Mamdani型模糊控制算法的机器人路径规划与分析。MATLAB代码，可直接运行
- 2019-10-16下载
- 积分：1
-
蚁群算法求解三维避障问题
【实例简介】蚁群算法求解三维避障问题
本项目提高了通过蚁群算法对于三维空间问题的避障问题，适用于实际问题的求解。
- 2021-12-22 00:31:20下载
- 积分：1
-
帧差法目标识别(目标检测跟踪).doc
本文展示了一种自动识别视频中移动目标的方法。论文中提取移动目标通过帧序列，这种方法不需要先验知识，比如：时间阈值调整。基于相邻帧的连续对称差分，我们能得到全分辨率显著图；然后利用最大熵方法计算阈值决定候选区域和获得兴趣点的种子；最后用修改的模糊生长方法获得最终的结果。本文中提出的算法是有效的、具有鲁棒性的。实验结果也证明它具有很好的效果。移动目标检测在计算机视觉中有广泛应用，但是在研究过程中也有很多挑战。通常目标检测方法被分为三类：（1）基于时间信息。例如：帧差法能很快检测出目标，但很难得到整个物体的轮廓，并且易受背景的影响。（2）基于空间信息的。（3）基于时间和空间信息的。有较好的效果，计算复杂度高。本文提出了一种基于时间信息的方法。（1）通过相邻帧对称差分获得显著图；（2）使用最大熵模型得到一个阈值去二值化时间显著图和获得候选区域。然后选择候选区域最显著的点作为兴趣种子点。（3）对于每一兴趣种子点，在显著图上应用模糊生长方法直到没有点能被聚集和能获得移动物体的轮廓A.移动显著图的产生①获得一段连续帧②相邻帧做差分得到移动目标。③对得到的差分显著图做开运算。作用：消除小的和亮的细节。④为了去除噪声和背景运动的影响，对差分得到的显著图做和再平均。B.兴趣种子选择由于图像是连续变化的，一个固定的阈值不能很好的二值化显著图，本文采用最大熵方法得到一个变化的阈值去二值化显著图和提取候选兴趣区域。然后选择兴趣种子点。C.移动目标检测为了提取移动的目标，本论文应用模糊生长方法去使兴趣点的种子生长成一片区域。如果像素值满足下列条件，对兴趣点的种子使用模糊生长算法。a和u表示如下图实验数据集：PETS2000, PETS2001 and Dataset2014设备：The algorithm is implemented with C on a personal computer with Core i3 3.3 GHz CPU and 2G RAM.评价标准：假负率(False Negative Rate , FNR) ：FNR = FN /(TP FN) ，即被预测为负的正样本结果数/正样本实际数假正率(False Positive Rate , FPR) ：FPR = FP /(FP TN) ，即被预测为正的负样本结果数 /负样本实际数 Specificity (负例的覆盖率，True Negative Rate) =正确预测到的负例个数/实际负例总数 PBC ：Percentage of Bad Classifications召回率（Re、recall）：预测为真实正例除以所有真实正例样本的个数准确率(Precision) ：预测为真实正例除以所有被预测为正例样本的个数F-measure：查准率和查全率的调和平均值, 更接近于P, R两个数较小的那个: F=2* P* R/(P R)实验结果如下图 表一表示的是本论文实验得出的结果；Fig7和Fig8本文的实验结果与图中方法的比较，可以看出本文中的方法表现很出色。论文中的检测结果本论文的贡献共以下五点：（1）产生特征图基于时间信息。（2）对于场景不需要任何先验知识。（3）扩展了差分从相邻两帧到相邻n帧。（4）对于复杂的背景和相机的抖动具有很好的鲁棒性。（5）自动的提取移动目标。
- 2019-08-29下载
- 积分：1
-
实用的熵函数可直接调用
【实例简介】
- 2021-07-03 00:31:04下载
- 积分：1
-
三次均匀B样条在工业机器人中的应用
【实例简介】
- 2021-08-03 00:31:00下载
- 积分：1
-
电力拖动自动控制系统第五版仿真例
电力拖动自动控制系统第五版仿真例
- 2020-02-21下载
- 积分：1
-
卡尔曼滤波在目标跟踪上的运用(三维).m
卡尔曼滤波在目标跟踪上的运用(三维).m
- 2021-05-06下载
- 积分：1
-
ISAR成像-逆合成孔径雷达与对抗 图1.8
逆合成孔径雷达与对抗 图1.8
- 2021-06-18 00:32:09下载
- 积分：1
|
联系客服（QQ：3324461878）
