Doğrusallaştırma – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri
Doğrusallaştırma
Hareket tahmini algoritmasını türetmek için, iki ardışık görüntü (sk ve sk+1) arasındaki farkların yalnızca nesne hareketinden kaynaklandığı varsayılır. Bu hareket parametrelerini tahmin etmek için burada bir gradyan yöntemi uygulanır. Hareket tahmini sırasında, her nesne bir dizi gözlem noktası ile temsil edilir.
Her gözlem noktası O(j) = (Q(j),g(j),I(j)) model nesne yüzeyinde Q(j) konumunda bulunur ve parlaklık değeri I(j) ile doğrusal gradyanlarını tutar g(j) = (g(j),g(j))T . g QxyQ, nesne için renk parametrelerini sağlayan görüntüdeki yatay ve dikey parlaklık gradyanlarıdır. Basit olması için burada sk kullanıyoruz. Gradyanlar, görüntü sinyalinin Sobel operatörü ile kıvrılmasıyla hesaplanır.
Gözlem noktalarını seçme ölçüsü, yüksek bir uzamsal gradyandır. Bu, tahmin algoritmasına gürültüye karşı sağlamlık katar. Claire model nesnesine ait tüm gözlem noktalarının konumunu gösterir.
MF nesneleri nedeniyle nesne dokusunun parçaları değiştirilirse, nesnenin karşılık gelen yüzeyi için gözlem noktaları güncellenir. Gözlem noktaları, esnek kaydırma parametrelerinin tahmini için de kullanılır.
Buna göre, ikinci türevi açıkça hesaplamadan, ikinci dereceden bir Taylor açılımı kullanarak görüntü sinyaline yaklaşabiliriz. Gözlem noktasının doğrusal gradyanlarının ve görüntü sinyalinin ortalamasını alarak ikinci dereceden gradyan g ̄’yi hesaplıyoruz.
O(j) gözlem noktasının Q(j) konumu bilinmektedir. Qk ile Qk+1’i hareket denkleminin k’si aracılığıyla ilişkilendirerek, bilinen parametreler 9I , g ve F ve altı bilinmeyen hareket parametresi ile doğrusal olmayan bir denklem elde edilir. Bu denklem, küçük dönme açıları varsayılarak, dönme matrisi RC’yi doğrusallaştırarak doğrusallaştırılır.
Doğrusallaştırmalar nedeniyle, hareket parametrelerinin her bir model nesnesi için yinelemeli olarak tahmin edilmesi gerekir. Her iterasyondan sonra model nesnesi, xˆ tahmini hareket parametreleri kullanılarak (10.17)’ye göre hareket ettirilir.
Ardından, yeni hareket parametresi güncellemeleri sağlayan yeni bir hareket denklemleri seti oluşturulur. İterasyonlar sırasında hareket parametresi güncellemeleri sıfıra yaklaştığından, tanıtılan doğrusallaştırmalar hareket tahminine zarar vermez. |r|2 artık hatasının azalması ihmal edilebilir hale gelirse yineleme işlemi sona erer.
Dayanıklı Hareket Tahmini
Denklem, artık hataların (9I) varyansı en aza indirilecek şekilde çözülür. Ancak bu yaklaşım ölçüm hatalarına karşı hassastır. Ölçüm hataları, tümü için olmasa da gözlem noktalarının çoğu için geçerli olma eğiliminde olan çeşitli model varsayımlarına ve tahminlerine dayandığı için ortaya çıkar.
Bu varsayımları ihlal eden gözlem noktaları, aykırı değerler olarak adlandırılır. Aykırı değerleri çözmek için kullanıldığında, çözüm üzerinde önemli bir etkiye sahiptir. Bu nedenle, bu aykırı değerlerin tahmin süreci üzerindeki etkisini sınırlayan önlemler almalıyız.
Bazen, aşağıdaki varsayımlar geçerli değildir:
1. Katı gerçek nesne
2. İkinci dereceden görüntü sinyali modeli
3. Model nesne şeklinin gerçek nesne şeklinden küçük sapmaları
Gerçek nesnenin parçaları rijit değilse (yani nesne esnekse), sırasıyla Ak ve Mk mevcut hareket ve şekil parametreleri ve önceden iletilen renk parametreleri Sk’ ile tanımlanamayan görüntü alanlarımız olur.
Bu görüntü alanları, potansiyel olarak yüksek tahmin hatası 9I nedeniyle tespit edilebilir. Bu alanlardaki gözlem noktaları aykırı değerler olarak sınıflandırılabilir. i yinelemesi için, yalnızca aşağıdakilerin doğru olduğu gözlem noktalarını dikkate alacağız.
Eşik TST, aykırı değerleri dikkate almamak için kullanılır. Hareket tahmini, bir iterasyon adımında yalnızca küçük yerel yer değiştirmelerin (q(j) −q(j)) tahminine izin veren gradyan yöntemine dayalıdır.
Verilen bir im- k+1 i yaş gradyanı (j) vemaksimum izin verilen yer değiştirmeVmax = |vmax| = |(vx,max,vy,max)T |, i bir görüntü konumunda q(j) izin verilen maksimum çerçeve farkını 9Ilimit(q(j)) hesaplayabiliriz.
|9I(q(j))| ile gözlem noktaları > |9Sınır(q(j))| ii. yineleme adımı için dikkate alınmaz. Görüntü sinyali modeli varsayımına uymadıklarını varsayıyoruz. Görüntü gürültüsünü dikkate alarak, gözlem noktalarını seçmek için ek bir kriter türetebiliriz. Beyaz kamera gürültüsünü n varsayarak, görüntü farkı sinyalinin gürültüsünü şu şekilde ölçeriz.
Doğrusal bulmaca
Hayat doğrusal değil ne demek
Doğrusal Fonksiyon nedir
Doğrusal ne demek matematik
Doğrusal nokta ne Demek
Geometride Doğrusal ne demek
Doğrusal ne demek analitik
doğrusal ne demek
Nispeten büyük gradyanlar, hareket parametrelerinin kesin bir tahminine de izin verir. Bu gözlemleri özetleyerek, büyük mutlak görüntü gradyanlarına göre gözlem noktalarını seçmemiz gerektiği sonucuna vardık. Denklemler, herhangi bir yineleme adımı için kullanacağımız gözlem noktaları için seçim kriterleridir.
Göre gözlem noktaları için ikili seçim kriterlerini kullanmak yerine, bir gözlem noktasının parametre tahmini üzerindeki etkisini kontrol etmek için sürekli maliyet fonksiyonlarını kullanabiliriz. Bir gözlem noktasının etkisinin ölçüsü olarak kalıntı r’yi kullanırız.
Artıkların rj olasılık yoğunluk fonksiyonunun f(r)’nin bir maksimum olasılık tahmincisi veya M tahmincisi olduğunu varsayabiliriz.
Şimdi f(r) ile ilgili farklı varsayımların M tahmin ediciyi nasıl etkilediğini inceleyeceğiz. Bir f(r)’nin tüm gözlem noktaları için geçerli olduğunu varsayalım. Uygun bir olasılık yoğunluk fonksiyonu seçmek için kritik bir nokta, aykırı değerlerin işlenmesidir. İdeal olarak, aykırı değerlerin tahmini hareket parametreleri üzerinde hiçbir etkisinin olmamasını isteriz.
Bu M tahmincisi, gözlem noktalarının %14’e kadarı aykırı değerler olmak üzere altı hareket parametresi için doğru çözümü hesaplayabilir. Bazı yazarlar, %50’ye varan aykırı değerlerle başarı bildirmektedir.
Ölçüm verilerimizin %ε’sının gözlemlenebilir harekete bağlı olmayan aykırı değerleri temsil ettiğini varsayalım. Şimdi aykırı değerlerin artıkları için ayrı bir olasılık yoğunluk fonksiyonu seçebiliriz. İç değerlerin (aykırı olmayanlar) artıklarının Gauss dağılımına sahip olduğunu ve aykırı değerlerin keyfi bir Laplace dağılımına sahip olduğunu varsayalım. Kalıntıların olasılık yoğunluk fonksiyonuna şu şekilde yaklaşabiliriz.
Çoğu zaman, olasılık yoğunluk fonksiyonu f(r) bilinmemektedir. Böylece =(r) için Türkiye’ye göre maliyet fonksiyonu (1 − r2/b2)2 gibi sezgisel çözümler bulunmuştur.
|r| olduğunda maliyet (1 − r2/b2)2 1’e yükselir. azalır. |r| ile gözlem noktaları ≥ b mevcut yinelemenin dışında tutulur; b, aykırı değerleri tespit etme eşiğidir. Aykırı değer tespitini görüntülü fark sinyali uyarlamak için, σ9I ile orantılı b’yi seçiyoruz.
Model nesne ile gerçek nesne arasındaki şekil farkı, görüş hattı boyunca bir gözlem noktasının uzamsal belirsizliği aracılığıyla modellenebilir. Bu, hareket tahmini sırasında bir Kalman filtresi kullanılarak düşünülebilir.
Doğrusal bulmaca Doğrusal Fonksiyon nedir doğrusal ne demek Doğrusal ne demek analitik Doğrusal ne demek matematik Doğrusal nokta ne Demek Geometride Doğrusal ne demek Hayat doğrusal değil ne demek
