js 特效 html 特效 射击小游戏

通过应用TLS技术算法，实现了对 方程组的 精确 快速 求解！

基于视频的移动目标检测是一个重要且有挑战性的任务，在许多应用中都起到相当关键的作用。本次论文研读围绕该主题展开，深入阅读了十余篇论文，在本文总结了视频中移动目标检测的一些主要方法及各自的优劣。报告接下来的部分组织如下:第二节介绍一般问题的陈述及典型的应用,第三节与第四节分别介绍基于像素的移动目标检测方法与基于区域的移动目标检测方法,第五节进行简单的讨论与总结。2问题陈述及应用一般而言移动目标检测并不单独地构成应用,而是作为一个组件出现在许多实际的应用之中。故移动目标检测的具体要求随着应用的改变而有很大的不同。例如对足球场上球员及足球的检测与跟踪就和对视频中用户手势的跟踪有所不同,前者的关键在于如何应对复杂的光照变化有效提取运动物体,后者的难点则在于如何从整个躯休大范围的运动背景中将手势的运动识别并提取出来。尽管不同的应用可能提出不同的技术上的要求,但是相当一部分这类问题还是可以在同一的框架下进行探讨和比较的。以下就是本文讨论范围内一般问题的陈述( Figure1):a.高层次的模型一般具有检测、跟踪、识别三个模块,其中识别模块并不必须b.检测模块可细分为移动日标区域检测与移动目标分组,其中前者是这个模块能够顺利工作的保证,其日的是将各帧内移动日标所在的区域标出该模型的输入为连续的视频,输出为跟踪的物体(即轨迹)或分类的物体,DetectioTrackingbackgroundObject detectionMatching usingFramescolor texture andTrackedsubtractionusing contoursmotion featuresobiectsGr。 up handling(merging andlittonFigure1系统框架图中即为一个典型的流程图,其中省略了分类模块并把运动目标区域检测规定为背景差分方法。该模型的典型应用场景是室内外的视频监视分析( Figure2),特别是交通数据的分析。另外体育运动视频(如足球或台球)的分析也能在该模型下解决。Figure2移动目标检测的典型应用:视频监控本文讨论的就是这样一个系统之中移动目标检测部分内容,并且将重点放在了如何判定移动目标区域的部分。这是这样的系统中的最初的处理,对于之后的处理能否获得有效的信息至关重要。该内容主要涉及两个问题:如何提取运动的前景,及如何建立一个良好的背景模型。后者一般并不是应用任务中所要求完成的,但往往是用以提取运动前景很好辅助工具,将新的一帧“减去”背景即可获得移动前景,故同时具有这两个步骤的方法也被称为“背景差分”,是移动目标检测中的一大类主流方法,本报告中涉及的大部分方法即属于这一类3基于像素的移动目标检测31均值-阈限方法均值-阈限( Figure3)的基本思路是计算每个像素的平均值和标准差作为它的背景模型Mean 2*Avg DiffMean”Mean-2*Avg DiffFigure3均值-國限方法4图中为某视频中单个像素在一定时间内不断更新得到的平均值和平均差值3,该像素处在天空的位置,在一段时问后有人的手挥过该区域,可以看到由于前景目标明显不如背景中的天空明亮,所以可以很容易将其分辨出来实际上均值-阈限方法就是赋予视频中每个像素一个统计上的背景模型,例如高斯分布模型4。每个点需要两个参数来衡量:均值与方差。后面将看到,许多更先进的棊于像素的移动目标检测方法其实无非采用了更复杂的分布模型来描述每个像素32阴影去除及三高斯模型简单的帧差值或均值-阈限方法在很多应川中都面临一个很严重的问题:阴影。在某些光照条件下,移动物体产生的阴影相对背景具有非常显著的差别从而被识别成了前景,有时这些阴影比物体本身还人,并且导致原本独立的运动物体连接在一起无法分割。一种简单的思路是放弃使用灰度值进行背景建模,而采用颜色信息从而将阴影的移动去除掉。这类方法需要一条假设:移动目标投射到路面上的阴影主要改变了该位置的亮度而对色度没有大的影响°。部分情况下确实可以承认该假设。在不同的颜色模型下有不同提取亮度信息的方式。在HSV等空间中这个任务尤为简单,因为亮度本身就是一个独立的分量,所以在该分量以外的维度上进行背景建模与差分就能消除一定的阴影。如果在常用的RGB颜色空间中,亮度的提取就稍微复杂倒。Figure4RGB空间中的亮度与色度3类似标准差的作用,但是计算更快捷。C.R. Wren, A Azarbayejani, T. Darrell, and A P Pentland "pfinder Real-Time Tracking of the human body lEEETrans. Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 780-785, July 1997J.M. Alvarez, A Lopez, and r Baldrich, " Illuminant-Invariant Model-Based Road Segmentation",IEEE IntelligentVehicles Symposium, June 20085将一个像素的颜色值在RGB三维空间中表示( Figure4),背景建模就是确定了穿过原点的一条色度直线,所有在该直线上的颜色都认为是背景色。当前颜色相对参考颜色(背景)的亮度分量a1由最小化下式给出:φ(a;)=(l1-c1E)2a2表示该像素当前值相对参考背景色的相对亮度。如果其值为1则代表亮度相同,大于1代表比背景更亮,小于1代表比背景更培当前颜色到色度直线的垂直距离就表小色度的偏离:CD1=‖l2-aE1‖(3)利用色度与亮度的偏离值就可以将新的颜色值分为四个类别Forground: CDi> IcD or ai> Alow, elseM()Back ground:aτa2else(4)ShadowelseHighlightotherwise其中CD2与a分别代表均一化之后的两个偏离分量。这些方强烈依赖于上面提到的假设:阴影仅仅改变背景亮度而不改变色度。但是这个假设实际上并不总是有效,很多时候还需要更复杂的方法达到去除阴影,鉴别真正移动目标的目的。三高斯模型4就是针对去除阴影的考虑提出的。这个模型中采用三个高斯分布相结合( Figure5)对各像素进行建模。三个高斯成分分别为:道路、运动前景及阴影。这三个成分组合成为了完整的混合模型(b)和印甲品f叫intersity valeFigure5三个高斯分布相结合6此方法之后面临的主要问题是如何通过一定时间的学习获得每个高斯分布的参数从而建立有效的模型。相关文献中提出采用EM算法( ExpectationMaximization Algorithm)进行学习。EM算法是一个迭代的算法,通过有限步的迭代就能够获得较好的模型估计。一般而言,为了从一个数据集中获得该数据集满足的混合分布,可以采用最大后验概率估计的方法进行估计,但是这样的方法需要关于每个数据分类的信息(即每个值属于哪个类别)。然而在移动目标检测过程中往往都是无监督的学习从而不可能获得这样的分类信息,而只能自动设定个预先的分类,然后通过迭代不断改进,这就是EM算法的基本思路另外,由于各点的数据是不断改变的,于是采川原始的EM算法对每一帧都进行重复的迭代既不必要也不现实,可以采用EM算法的一个变种:增量EM算法33高斯混合模型(GMM331背景建虞在某些场景之下,采用三个高斯分布的混合模型仍然无法有效地描述复杂的现实环境,于是髙斯混合模型四被提出了。高髙斯混合模型采用类似3.2中三个髙斯模型的思路,希望采用多个高斯分布相结合的方法来描述环境。与前面的模型不同的是,现在高斯分布的个数不是固定的一个或三个了,而是随着各个像素实际的需要动态地进行设定。另外该方法也放弃采用费时的EM算法而采用更快捷的方式进行背景建模与更新。假设已知像素(xo,y)在过去一段时间中的颜色值或灰度值{X1,…,X}={(xo,yo,):1≤i≤t(5)若由K个高斯分布的高斯混合模型对该像素进行建模,则新观察到一个颜色值或灰度值的概率为P(x1)=)o*n(x,,E(6)在RGB等彩色空间中为了简化计算可以采用如下公式k,t7)A Dempster, N. Laird, and D. Rubin, "Maximum Likelihood from Incomplete Data via the EM algorithm", Journalof the Royal Statistical Society, pp. 1-38, 1977这个公式假设了各个颜色分量是相互独立的。尽管事实并不如此,但这样计算在保留充分的精确性的同时大大降低了计算复杂性。这样每个像素就采用κ个峰的髙斯混合模型完成了建模。剩余的问题同样是如何对模型中的各个参数进行估计,以及如何判别前景。3.3.2背景更新背景更新大致有这几个步骤:a.每一个新的值都与所有K个高斯分布进行匹配,直到找到充分吻合的分布(判断方式与均值-阈限方法类似)b.若新的值与所有K个分布都不接近,则将K个分布中权值最小的一个替换成一个新的分布,该分布以新的值为均值,并且具有很高的初始方差和很低的初始权重;C.若新的值与某个分布充分接近,则认为其属于该分布并更新各个分布的权值及参数Ort=(1-aOKt-1+aM(8)=(1-p)ut-1+p·X(9)=(1-p)21+p(X-1)(x-2)(10)here(kok(11)其中(8)式中Mkt对于匹配上的分布唯1,对于其他分布为0α表示适应性的强弱,α越大,给予新的值的权重越大,也就适应得越快;(9)式(10)式仅针对匹配上的分布,而其他分布的参数保持不表3.3.3前景检测运动前景的检测主要有以下几个步骤a.对所有的高斯分布按照ω/σ进行从大到小的排序;b.取前B个高斯分布,满足B= argminkT(12)k=其中T表示背景应该占的比重,如果T取得较小则类似于前面介绍的均值阈限模型,T取得较大则允许背景有更丰富的特性,如随风摆动的树叶或水面的波纹等等。C.如果当前出现的新的值并不符合这B个高斯分布,则认为是运动的前景,否则认为是背景。34非参数模型341背景建模为了能够更快速地适应变化的背景,并且保证对移动物体的敏感性,马里兰大学A. Elgammal等人提岀采用非参数的模型四对各个像素进行建模。该方法并不指定确切模型形式,而釆用核旳数来利用历史薮据建立模型。在釆用高斯核的情况下,一个颜色出现的概率’∑K(x-x∑∏1(13)2这样实际上就是对考虑范围内所有的历史值都建立一个高斯分布,并利用所有这些分布对当前值进行分析。由于高斯分布的假设,故(x1+1-x1)~N(0272),于是可以估计方差(14)0.68V2其中m是|x+1-xl的中位数。号外由于在这种方法下需要大量计算核函数的值,故可以预先计算出一定精度的核函数数据表,通过查表的方法大大加快计算的速度。实验表明这样的方法在一般的PC机上是可以达到实时的计算要求的。34.2减少错误检测为了降低由于局部抖动(如树叶抖动、摄像机抖动)带来的错误检测,该方法利用了一定的区域信息。原先的P(x1)现在改用Pm(x代替PN(t= maxyEN(x)Prix Byy(15)此处N(x)指该像索周围的一个小区域,B指像素y对应的背景模型。这样就充分降低了由于小范围抖动导致的错误检测。7该式成立仍然需要假设各个颜色分量相互独京。9该方法需要维护两个背景模型:长期模型及短期模型。其中短期的模型是为了能够快速适应变化的背景而提出的,仅利用相当短的一段历史值建立模型,另外该模型采用选择更新机制(仅对判定属于背景的值进行更新);长期的模型在相当长的时间内通过盲更新机制(对所有值进行更新)获得。两个模型判定结果的交集能够进一步降低错误的检测,但同时也去除了部分实际上是移动目标的部分。最终采用的策略为:所有由短期模型检测出来,并且与两个模型判定结果交集相邻的像素被视作运动的前景3.4.3去除阴景这个方法同样提到了去除阴影的问题( Figure6)采用RGB颜色模型的一个变种表示颜色:RBR+G+B·9=R+G+Bb=R+G+B′(16)s=RtG+B(17)令A为某个像素在一定时间内的取值,而定义B如下B={x1|x∈A≤≤阝(18)其含义就是该像素过去的背景取值中与当前值亮度接近的值的集合利用B中的值在(r,g)二维空间上进行上述的背景建模及前景检测,就能很有效地消除检测的阴影。Figure6非参数模型下的阴影去除4基于区域的移动目标检测从上面的介绍的方法来看,建立的背景模型越来越复杂:高斯分布的个数从一个到三个,再到K个,再到每个历史值各一个。这样的背景模型已经具有了高度的复杂性,但是在有些应用环境下效果仍然并不理想。反思一下这些方法的特点,仅仅利用各个像素的独立信息而没有考虑像素之间的关联性是键的原因。其实在3.42中采用方法实际上已经开始尝试以局部区域作为考虑问题的范围,

基于MATLAB神经网络的人脸朝向识别，本程序包含两种方案，一种是特征提取算法，一种是人眼定位算法。本程序已附属数据库图片，只需把程序中的路径改一下就可以。

【实例简介】电力电子变换器：PWM策略与电流控制技术 带目录 2016年机械工业出版社出版的图书，作者是艾瑞克·孟麦森(EricMonmasson) 译者序 引言 第1章用于两电平三相电压型逆变器的载波脉宽调制1 1.1引言1 1.2参考电压va ref、vb ref、vc ref3 1.3参考电压Pa ref、Pb ref、Pc ref6 1.4va、vb、vc与Pa、Pb、Pc之间的联系8 1.5PWM信号的产生8 1.5.1反锯齿波8 1.5.2传统锯齿形载波11 1.5.3三角形载波12 1.5.4说明16 1.6通过参考波形va ref k、vb ref k、vc ref k确定Pa ref k、Pb ref k、Pc ref k16 1.6.1“正弦”调制1 7 1.6.2“居中”调制18 1.6.3“亚优化”调制19 1.6.4“平顶”和“平底”调制20 1.7总结22 1.8参考文献22 第2章空间矢量调制策略24 2.1逆变器和空间矢量PWM24 2.1.1问题描述24 2.1.2逆变器模型24 2.1.3空间矢量调制27 2.2通用方法33 2.2.1自由度33 2.2.2全指令域的拓展34 2.2.3空间矢量调制36 2.2.4PWM频谱38 2.3空间矢量PWM与实现39 2.3.1实现所需硬件及通用结构39 2.3.2工作扇区的确定42 2.3.3空间矢量PWM的一些变种43 2.4总结46 2.5参考文献46 第3章三相电压型逆变器的过调制48 3.1背景48 3.2调制策略的比较48 3.2.1引言48 3.2.2“全波”调制49 3.2.3标准调制策略的性能50 3.3调制器的饱和53 3.4改进的过调制56 3.5参考文献62 第4章脉冲宽度调制的计算与优化策略64 4.1程式化PWM简介64 4.2PWM的有效频率范围65 4.3程式化谐波消除PWM66 4.4优化PWM68 4.4.1简介68 4.4.2最小化判据68 4.4.3优化结果应用70 4.4.4实时生成原理72 4.5多电平PWM的计算73 4.5.1简介73 4.5.2三电平PWM的计算74 4.5.3独立的多电平PWM的计算77 4.6总结78 4.7参考文献79 第5章ΔΣ调制81 5.1引言81 5.2单相ΔΣ调制原理81 5.2.1开环或闭环操作82 5.2.2频率特性82 5.2.3参考信号幅值对频谱的影响84 5.2.4指令信号频率对频谱成分的影响85 5.2.5窄脉冲的缺失85 5.2.6决策要素85 5.2.7非对称与对称DSM86 5.3三相情况：矢量DSM87 5.3.1选择新矢量的判据88 5.3.2三电平三相逆变器93 5.4总结94 5.5参考文献94 第6章随机调制策略96 6.1引言96 6.2展布频谱技术及其应用96 6.3随机调制技术介绍98 6.3.1PWM的确定性基础98 6.3.2变频率随机PWM98 6.3.3随机脉冲位置PWM99 6.3.4三相逆变器中的随机PWM99 6.3.5整体评价99 6.4随机调制的频谱分析100 6.4.1电压频谱的影响100 6.4.2负载电流频谱的影响101 6.4.3直流母线电流影响101 6.4.4对电动机噪声和振动的影响103 6.5总结106 6.6参考文献106 第7章调速装置的电磁兼容：PWM控制策略的影响108 7.1简介108 7.2EMC研究的目标109 7.3静止变流器中的EMC机理110 7.3.1引言110 7.3.2EMC标准111 7.3.3标准的测量与仿真112 7.4时域仿真113 7.5频域建模：工程师的工具114 7.5.1建模的目标114 7.5.2干扰源建模115 7.5.3逆变器的频域表示119 7.6PWM控制120 7.6.1基于载波PWM120 7.7不同基于载波PWM策略的源的比较128 7.7.1正弦交叉比较PWM128 7.7.2谐波注入控制129 7.7.3换相率限制：死区带PWM控制129 7.8空间矢量PWM130 7.9最小化共模电压的结构134 7.10总结134 7.11参考文献135 第8章多相电压源逆变器137 8.1引言137 8.2电压源逆变器的矢量建模138 8.2.1n桥臂结构：术语、标记、举例138 8.2.2平均值控制：PWM140 8.3带多相负载的逆变器148 8.3.1负载拓扑和相关自由度149 8.3.2实际例子：三相情况152 8.3.3实际例子：五相负载154 8.4总结158 8.5参考文献158 第9章多电平变换器的PWM策略163 9.1多电平和交错并联变换器163 9.2调制器169 9.2.1回顾：两电平调制器169 9.2.2多电平调制器172 9.3

太阳位置计算程序，可以计算出太阳的位置。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

【实例简介】学习modbus开发好资料。 【modbus协议+modbus软件开发实战指南PDF打包下载】

STM32CubeMx+Protues+VSPD仿真实现调试串口，用protues仿真stm32单片机，并通过vspd模拟串口，用串口调试工具在线调试单片机内部逻辑。

VC6 MFC图像直方图均衡化、锐化、中值滤波，没有错误，下载即可运行！

java,数值计算,曲线拟合，最小二乘，带画图，程序中数据都是固定的如果想应用于其他数据可自行更改，很easy。

最新版的m_map工具箱，添加了Shaded Relief地图功能，可以画出精美的地图。下载e_topo2或者e_topo1就可以画Shaded Relief图了。