《趙洪的工作日志》word版

1、.趙洪的工作日志1趙洪的工作日志12011-03-30 15：48趙洪的工作日志目錄2"馬爾科夫-學習"3"水平集_圖像分割"4"hhe"4.1=5"hough變換的原理"=5.1=5.1.1=5.1.2=5.2=5.2.1=5.2.2=5.2.2.1光流法(optical flow)=5.2.2.2'MIT'如何做研究5.2.2.3 2008年12月18日近期研究計劃，研究新的方法用在跟蹤5.2.2.4考試告一小段落，等待1月4號的英語考試5.2.2.5"活動輪廓跟蹤"5.2.

2、2.6"輪廓跟蹤"5.2.2.7"新學期的開始"5.2.2.8"路線"5.2.2.9"主動輪廓模型的"5.2.2.10"分割二"5.2.2.11"主動輪廓模型"'跟蹤'問題1，使用opencv做圖像的差分的時候，發(fā)現(xiàn)直接用imagedata做差的時候，效果很差，而使用cvMat做差的時候效果卻好些，自我感覺是，在使用imagedata做差的時候，會使得圖像的顏色信息map沒有做運算。"馬爾科夫-學習"-馬爾科夫憑借其強大的可靠性和穩(wěn)定性，在

3、模式識別等有很多的用處，學習了一些關(guān)于馬爾科夫鏈的知識，法現(xiàn)：實際上，就是一個：比如我們的觀察的變量有多個狀態(tài)，而有些個狀態(tài)是可以過度到其他狀態(tài)的，并且我們關(guān)心的是，怎么最穩(wěn)定，-初步了解到，隱馬爾科夫?qū)嶋H上就是兩個過程。比如：小趙和小王兩人距離很遠，他們通過電話交流，一般小趙，喜歡三件事，打球、學習、逛街。但是要結(jié)合天氣，他很容易天氣的改變受到影響，但是小王就沒有那樣的影響，但是小王可以根據(jù)日常的交流，基本上分析得出，小趙今天做什么。因為總的就兩個狀態(tài)，晴天或者雨天概率我們可以定。當然犯錯率我們也可以定，那么其狀態(tài)轉(zhuǎn)移矩陣等也可以定。我們簡單的拿天氣為列子，預(yù)測：晴天-晴天0.9雨天到雨天0

4、.5則其一步狀態(tài)轉(zhuǎn)移矩陣有P=aijx1=x(0)P如果曉得昨天是晴就可以算出今天是多少了。但是可以知道隨著時間的推移這種，預(yù)測要么越來越穩(wěn)定，要么就越不準確。MAF_圖像的匹配圖像匹配：實際上就是在第一張圖片上的點找到第二張圖片上的找到對應(yīng)的點，但是由于噪聲、光照、等影響，對應(yīng)點可能表現(xiàn)不同的特臟。對于一張圖像上一個特定的特征或者區(qū)域，在另一個圖像中往往有多個特征點或者區(qū)域匹配。這就需要更多的信息，或者約束條件：如：外極線約束，該條件下，正確的匹配點必定在兩圖像相應(yīng)的極線上，對于極線修正的圖像，唯一性約束：光滑性約束，局部視差區(qū)域遮擋區(qū)域和不連續(xù)區(qū)域是光滑和連續(xù)的。順序性約束。"水

5、平集_圖像分割"對于圖像分割的變形分割-水平集的研究。原理：對于主動輪廓模型對初始點比較敏感，且對凹陷的處理和對參數(shù)化曲線不能自動分裂和合并,不能處理未知拓撲的情況。最早是在88年提出osher和sethian也是類似于kass的主動輪廓，提出了一個框架，我們知道，主動輪廓模型主要是通過優(yōu)化外力達到逼近目標輪廓，而水平集則是，依靠曲線的幾何特征如：曲率和法向量，來演化水平集函數(shù)，很自然的實現(xiàn)物體拓撲變化。所以，水平集方法被廣泛地用于非剛性物體的分割中。它也提供了這么一個框架，我們?nèi)匀皇强梢愿倪MF優(yōu)化算法目前依然存在的問題：1)水平集方法要求對整個圖像定義域中所有點的水平集函數(shù)進行更新

6、，而且需要重新初始化水平集函數(shù)，因此其計算復(fù)雜度高.2)如果任意給定初始演化曲線將會大大增加迭代時間，也提高計算的復(fù)雜程度，同時，輪廓過大或過小都會造成演化曲線不能很好地收斂至目標輪廓。解決：對于計算量的問題，比如有的選擇使用帶區(qū)計算，等，.-自己改進(思考預(yù)處理，后續(xù)處理等)數(shù)值化的過程：t時刻的零水平集：C(p,0)=(x,y)|g(x,y,0)=0；C(p,t)=(x,y)|g(x,y,t)=0；實際上，零水平集的平面閉合曲線始終滿足曲線演化的偏微分方程，即；這里的k代表速度，n代表法線方向，有問題就是,速度在不同地方的時候的問題(沒有懂)：還有上面的需要滿足最近的試驗效果：初始的圖像：

7、處理后；目前效果還可以，思考，做些預(yù)處理，然后就是對于各種圖片看效果如何，繼續(xù)學習"hhe"2008年7月1日第一次進入這個系統(tǒng)，第一次寫自己的日志，今天上午我抓緊時間把昨天沒有看完的論文看完了，還復(fù)習了一下MATLAB的第一章。以前搞不懂M文件，今天感覺一下就懂了，感覺特別舒服。下午我繼續(xù)操作了MATLAB到了第四章，看不了了，感覺很累，就停下來寫了日志。準備晚上還是看一下C+，盡管不用，但是還是想稍稍學習點，在學數(shù)據(jù)結(jié)構(gòu)，在學點數(shù)據(jù)庫。就這樣了，雖然沒有到晚上，還是覺得今天的一天就很不錯。2008年7月2日今天自己的計劃稍微拖后了一些,在網(wǎng)上看了一下李博師兄的畢業(yè)論文不

8、變的特征提取,感覺有一些個懂點,還是前面看的哪個論文的幫助,只不過李師兄的是哪個論文中的第三的餓一部分.然后把MATLAB一直做到了第十章,發(fā)現(xiàn)自己寫還有點問題.本來今天安排還做一點C+的；不行了發(fā)現(xiàn)一個問題我發(fā)現(xiàn)看見劉魏師兄和老師討論時特別的趕興趣,很希望自己也有一天,還得加油.2008年7月4日昨天同學來了休息了,今天做的事情不是很多,上午去申請了宿舍,結(jié)果沒有申請到,然后就做了實驗檢索了一些資料等待后續(xù)學習2008年7月7日今天作的事情很雜,看了一下共享里面的論文,李師兄指導(dǎo)我叫我多注意算法.然后下載了一些算法的論文,然后說明一下,為了自己的暑期有生活來源,從明天家教可以進行了每天8：3

9、0到10：30然后回實驗室,然后學習任務(wù)計劃,學習編程算法的實現(xiàn)208年7月8日上午試著進行了算法的實現(xiàn)發(fā)現(xiàn)很難,下午問了以下洪老師,發(fā)現(xiàn)自己的基礎(chǔ)還不行,于是在洪老師那里又借了一本書來學習,感覺著一本書更適合自己自學,了解2下載的視頻教程發(fā)現(xiàn)太慢了,決定自己還是自己學習.看了一篇有關(guān)神經(jīng)網(wǎng)絡(luò)的論文,也不能算一篇.就一部分.還得努力2008年7月9日把另外一本書看完了，但是發(fā)現(xiàn)還是有距離，可能自學還是沒有有人教好吧，本來開始自己很自信，自認為自己是一個比較擅長自學的人，結(jié)果，呵呵但是沒有灰心，然后我又下載了一些論文和書籍，總想找到一本或者一片論文讓自己有質(zhì)的飛躍，2008年7月10日今天看了關(guān)

10、于圖像處理技術(shù)matlab 2008年9月18日好久沒有在上面寫東西了，先寫下這一路走來的感受1，在現(xiàn)在我回憶以前的日子覺得很是后悔實際上自己開始好好的學習還是，也僅只是從八月是幾號周小龍回來之后的事情開始的時候常常以考研很辛苦自己應(yīng)該珍惜可以放松的日子，喜歡聊天，喜歡看網(wǎng)頁。感覺日子過得真是的快早上家教，其余時間也沒有抓緊。2也許是以前總是不敢去想自己上路了，3小龍回來后的我開始，制定了一個一個的計劃就如張老師說的一個一個的做，也許是本科的學習的氛圍的關(guān)系我有點喜歡問問題，思考和動手少了，但是我唯一覺得收獲的是我的現(xiàn)在學習習慣養(yǎng)成了覺得在實驗室里面很好有一大群的優(yōu)秀的人才，或者說是高手，在這

11、里我是菜鳥，以前習慣了在以前學校做高手的感覺，過來覺得我很多的未知多想學習，只是從老師和師兄們那里得到學習其實要把自己的本職工作做好做精。我喜歡呆在實驗室，在這里很是好，4學習的level improve我的學習的計劃變得很快早期的時候覺得理論很少但是，后來又學習了matlab之后又開始學習了vc+圖像處理還學習了數(shù)據(jù)結(jié)構(gòu)以及一些小的算法和看了一些論文但是覺得最有收獲的還是編程的vc+我真的是從一個什么都不懂的人。開始的繼續(xù)努力！2008年10月5日國慶7天的經(jīng)歷前面幾天在學校呆著的，偶爾有同學過來在出去耍一下，預(yù)定的學習計劃基本完成，只是感覺有時候一個人在實驗室的時候有不習慣，可能還是喜歡熱

12、鬧的實驗室把，和中學的同學一起耍的時候知道，進入社會是有多么的復(fù)雜，很現(xiàn)實，告誡自己得要努力不然很悲摻；不曉得，接下來的一個月應(yīng)該怎么規(guī)劃一下，看來應(yīng)該規(guī)劃一下就像前面一樣至少自己有一個規(guī)劃。還有就是自己在國慶中學習了，f變換感覺理不清，還是沒有撐透，還有就是研究那個tracking的算法，繼續(xù)努力。象李博師兄學習研究論文，提升自己。向小龍師兄學習編程。還想快一點學好之后可以開始另外語言的學習還有就是數(shù)據(jù)庫一直沒有學習是應(yīng)該學習，接下來的一個月還是很多事情的2008年10月9日#今天真是時間很緊上了八節(jié)課其余時間都在實驗室。還是覺得很有收獲2：2008年10月11日#今天是一個下雨天，做了一個

13、忙錄的天，昨天定的計劃表正常實施，就是沒有網(wǎng)咯，看的論文都沒有寫到上面來。頗有收獲的是，昨天聽的報告覺得師兄說的算法都沒有聽說過，回頭查查了一下，在概率書中很多，發(fā)現(xiàn)自己還是應(yīng)該保持數(shù)學的已有知識，決定晚上回寢室沒有事情還是翻翻。2008年10月25日這幾天看一篇論文把我給鍛煉了，好長啊45頁看了25頁了，講了好多的算法，真是了解不少，就是要是全部都掌握就好了，總結(jié)了一下前面的論文學習，真是基本上都是在上面的，不過得盡快完成它啊3："忘記過去,把握現(xiàn)在，準備未來"今天晚上，特地向我的雷鳴師兄請教了一下，總算是摸清了自己的發(fā)展方向，未來的路該怎么走，有了一些規(guī)劃了。開始看來前

14、面的計劃有些可以提前修改了關(guān)于運動跟蹤問題的分類攝像機的數(shù)目：單攝像機VS多攝像機攝像機是否運動：攝像機靜止VS攝像機運動場景中運動目標的數(shù)目：單運動目標VS多運動目標場景中運動目標的類型：剛體VS非剛體傳感器的種類：可見光圖像VS紅外圖像另外還有灰度圖VS彩色圖關(guān)于背景抽取時技術(shù)通過背景建模物體可以完成檢測像素的變化用于后續(xù)的處理，連通分量法(CCA)通過高斯模型以及高斯混合模型處理，由顏色以及空間的信息重復(fù)運用I(x，y)N(u，V)得到統(tǒng)計模型，運用混合模型更新，結(jié)合信息的匹配和合并以及排除，最后得到目標。HMM算法，整體分析法。結(jié)合(ARMA算法)預(yù)測關(guān)于運動跟蹤算法的分類運動跟蹤的分

15、類方法有很多，新的分類方法也不斷涌出，例如Yilmaz等就在2006年的文章"Object Tracking：A Survey"中將跟蹤算法分為三類，分別是點跟蹤法(Point Tracking)、核跟蹤法(Kernel Tracking)、影像輪廓跟蹤法(Silhouette Tracking)。而目前最常見也是最最容易理解的分類方法仍然是的是為基于模型(Model-based)的跟蹤、基于區(qū)域(Region-based)的跟蹤、基于變形模板(Deformable-template-based)的跟蹤或稱為基于活動輪廓(Active contour-based)的跟蹤和基

16、于特征(Feature-based)的跟蹤。對人體進行跟蹤時，通常有三種形式的模型，即3D模型、2D模型和線圖模型。無論哪種模型都要利用先驗知識獲得目標的結(jié)構(gòu)模型和運動模型。建立模型可以精確地分析目標的運動軌跡，從而進行可靠地跟蹤，但是其缺點在于，運動分析的精度取決于幾何模型的精度，在現(xiàn)實生活中要獲得所有運動目標的精確幾何模型是非常困難的。這就限制了基于模型的跟蹤算法的使用，同時，基于模型的跟蹤算法，特別是3D模型往往需要確定諸多參數(shù)，從而需要大量的運算時間，很難實現(xiàn)實時的運動目標跟蹤。實際上點跟蹤是最常用的基于特征的跟蹤?？梢允菃吸c如質(zhì)心跟蹤，也可以是多點跟蹤；可以是人工標記點，也可以是自動

17、生成的特征點如角點；在建立映射方面，可以是確定性方法匹配對應(yīng)點，也可以是統(tǒng)計學方法匹配對應(yīng)點。基于區(qū)域的跟蹤算法基本思想是：首先得到包含目標的模板(Template)，該模板通過圖像分割獲得或是預(yù)先人為確定，模板通常為略大于目標的矩形或者橢圓形，也可為不規(guī)則形狀；然后在序列圖像中，運用相關(guān)算法跟蹤目標，對灰度圖像可以采用基于紋理和特征的相關(guān)，對彩色圖像還可利用基于顏色的相關(guān)。該算法還可和多種預(yù)測算法結(jié)合使用，如線性預(yù)測、二次曲線預(yù)測、卡爾曼預(yù)測等，以估計每幅圖像中目標的位置。這種算法的優(yōu)點在于當目標未被遮擋時，跟蹤精度非常高，跟蹤非常穩(wěn)定。但其缺點首先是費時，當搜索區(qū)域較大時情況尤其嚴重；其次

18、，算法要求目標變形不大，且不能有太大遮擋，否則相關(guān)精度下降會造成目標的丟失。變形模板是紋理或邊緣可以按一定限制條件變形的面板或曲線。Kass在1987年提出的主動輪廓模型(Active contour models,ACM)，又稱為Snake模型，比較適用于單目標跟蹤。對于多目標的跟蹤更多地是采用基于水平集(Level Set)方法的主動輪廓模型?；谔卣鞯母櫵惴ㄒ话阋膊捎孟嚓P(guān)算法。與基于區(qū)域的跟蹤算法的不同之處在于，后者使用目標整體作為相關(guān)時的對象，而前者使用目標的某個或某些局部特征作為相關(guān)時的對象。這種算法的優(yōu)點在于即使目標的某一部分被遮擋，只要還有一部分特征可以被看到，就可以完成跟蹤任

19、務(wù)，另外，這種方法與卡爾曼濾波器聯(lián)合使用，也具有很好的跟蹤效果。這種算法的難點是：對某個運動目標，如何確定它的唯一特征集?這也是一個模式識別問題。若采用特征過多，系統(tǒng)效率將降低，且容易產(chǎn)生錯誤。離線(Offline)跟蹤在線(Online)跟蹤-涉及到統(tǒng)計學習方法涉及到的問題對象表示，特征提取，目標檢測，目標跟蹤與行為分析涉及到的技術(shù)圖像分割，分類方法，學習理論,Mean-shift,Graph-cut,Active-coutours角點檢測(Harris,KLT,SUSAN,SIFT,etc)，邊緣檢測(Canny,etc)，背景相減(Background subtraction)，形態(tài)學圖

20、像處理，卡爾曼(Kalman)濾波，粒子(Particle)濾波，主成分分析(PCA)，支持向量機(SVM)，期望最大化(EM)算法，高斯及混合高斯，直方圖(Histogram)，Bayes理論，主動輪廓模型(ACM)，水平集方法(Level Set)，時間序列分析狀態(tài)空間模型，另外還有有限元，邊界元方法,運動圖像的分析方法，主要是基于特征的分析方法和基于光流的分析方法?；谔卣鞣秩剑?，從圖像中抽取顯著的特征，如拐角，邊界，等當然選擇不敏感但是有效的也可以。二，針對上面的對應(yīng)區(qū)域匹配，有的算法如；模板匹配，結(jié)構(gòu)匹配，樹搜索匹配等。三，轉(zhuǎn)移到計算機信息。光流分兩步，首先，在運動灰度變化中計算

21、速度場，接著，運用些限制從速度場中推算運動參數(shù)及結(jié)構(gòu)。2008年11月4日SVT選擇的試驗通過處理行駛的交通工具對于處理多物體時有不足-對于它用在別的模型里面可行嗎=運動檢測：背景相減，時間差分，光流法。運動的目標分類：基于形狀信息，基于特征信息。人的跟蹤，主要是形狀、紋理、色彩的匹配。涉及的算法如；kamlam基于高斯分布的形狀預(yù)測，但是對于多峰處理有問題；condensation算法，因子抽樣為基礎(chǔ)的條件密度傳播法，魯棒。1，基于模型的跟蹤，線圖法，二維輪廓。2，基于區(qū)域的跟蹤。3，基于活的輪廓的跟蹤。4，基于特征的跟蹤。運動物體的行為理解，主要是在于匹配的過程，把運動的圖像序列轉(zhuǎn)化為靜態(tài)的數(shù)據(jù)和庫中的模板進行匹配。DTW和HMMS以及NN難點與發(fā)展的趨勢：(1)運動分割(motion segmentation)快速準