追蹤最高點演算法

㈠ 多假設追蹤方法mht是什麼演算法

多假設跟蹤演算法是一種數據關聯類型的多目標跟蹤演算法，實現方式分為面向假設的MHT和面向航跡的MHT兩種。
MHT演算法的實現流程包括航跡關聯和航跡維護兩個步驟。
MHT演算法計算量龐大，隨著量測數和目標數呈指數級增長，但對於雜波密集環境下的多目標跟蹤具有很高的准確率。

㈡ 視覺追蹤的典型演算法

（1）基於區域的跟蹤演算法
基於區域的跟蹤演算法基本思想是：將目標初始所在區域的圖像塊作為目標模板，將目標模板與候選圖像中所有可能的位置進行相關匹配，匹配度最高的地方即為目標所在的位置。最常用的相關匹配准則是差的平方和准則，(Sum of Square Difference，SSD)。
起初，基於區域的跟蹤演算法中所用到的目標模板是固定的，如 Lucas 等人提出 Lucas-Kanade 方法，該方法利用灰度圖像的空間梯度信息尋找最佳匹配區域，確定目標位置。之後，更多的學者針對基於區域方法的缺點進行了不同的改進，如：Jepson 等人提出的基於紋理特徵的自適應目標外觀模型[18],該模型可以較好的解決目標遮擋的問題，且在跟蹤的過程中採用在線 EM 演算法對目標模型進行更新；Comaniciu 等人[19]提出了基於核函數的概率密度估計的視頻目標跟蹤演算法，該方法採用核直方圖表示目標，通過 Bhattacharya 系數計算目標模板與候選區域的相似度，通過均值漂移(MeanShift)演算法快速定位目標位置。
基於區域的目標跟蹤演算法採用了目標的全局信息，比如灰度信息、紋理特徵等，因此具有較高的可信度，即使目標發生較小的形變也不影響跟蹤效果，但是當目標發生較嚴重的遮擋時，很容易造成跟蹤失敗。
（2）基於特徵的跟蹤方法
基於特徵的目標跟蹤演算法通常是利用目標的一些顯著特徵表示目標，並通過特徵匹配在圖像序列中跟蹤目標。該類演算法不考慮目標的整體特徵，因此當目標被部分遮擋時，仍然可以利用另一部分可見特徵完成跟蹤任務，但是該演算法不能有效處理全遮擋、重疊等問題。
基於特徵的跟蹤方法一般包括特徵提取和特徵匹配兩個過程：
a) 特徵提取
所謂特徵提取是指從目標所在圖像區域中提取合適的描繪性特徵。這些特徵不僅應該較好地區分目標和背景，而且應對目標尺度伸縮、目標形狀變化、目標遮擋等情況具有魯棒性。常用的目標特徵包括顏色特徵、灰度特徵、紋理特徵、輪廓、光流特徵、角點特徵等。D.G. Lowe 提出 SIFT(Scale Invariant Feature Transform)演算法[20]是圖像特徵中效果較好的一種方法，該特徵對旋轉、尺度縮放、亮度變化具有不變性，對視角變化、仿射變換、雜訊也具有一定的穩定性。
b) 特徵匹配
特徵匹配就是採用一定的方式計算衡量候選區域與目標區域的相似性，並根據相似性確定目標位置、實現目標跟蹤。在計算機視覺領域中，常用的相似性度量准則包括加權距離、Bhattacharyya 系數、歐式距離、Hausdorff 距離等。其中，Bhattacharyya 系數和歐式距離最為常用。
Tissainayagam 等人提出了一種基於點特徵的目標跟蹤演算法[21]。該演算法首先在多個尺度空間中尋找局部曲率最大的角點作為關鍵點，然後利用提出的MHT-IMM 演算法跟蹤這些關鍵點。這種跟蹤演算法適用於具有簡單幾何形狀的目標，對於難以提取穩定角點的復雜目標，則跟蹤效果較差。
Zhu 等人提出的基於邊緣特徵的目標跟蹤演算法[22]，首先將參考圖像劃分為多個子區域，並將每個子區域的邊緣點均值作為目標的特徵點，然後利用類似光流的方法進行特徵點匹配，從而實現目標跟蹤。
（3）基於輪廓的跟蹤方法
基於輪廓的目標跟蹤方法需要在視頻第一幀中指定目標輪廓的位置，之後由微分方程遞歸求解，直到輪廓收斂到能量函數的局部極小值，其中，能量函數通常與圖像特徵和輪廓光滑度有關。與基於區域的跟蹤方法相比，基於輪廓的跟蹤方法的計算復雜度小，對目標的部分遮擋魯棒。但這種方法在跟蹤開始時需要初始化目標輪廓，因此對初始位置比較敏感，跟蹤精度也被限制在輪廓級。
Kass 等人[23]於 1987 年提出的活動輪廓模型(Active Contour Models，Snake)，通過包括圖像力、內部力和外部約束力在內的三種力的共同作用控制輪廓的運動。內部力主要對輪廓進行局部的光滑性約束，圖像力則將曲線推向圖像的邊緣，而外部力可以由用戶指定，主要使輪廓向期望的局部極小值運動，。
Paragios 等人[24]提出了一種用水平集方法表示目標輪廓的目標檢測與跟蹤演算法，該方法首先通過幀差法得到目標邊緣，然後通過概率邊緣檢測運算元得到目標的運動邊緣，通過將目標輪廓向目標運動邊緣演化實現目標跟蹤。
（4）基於模型的跟蹤方法[25]
在實際應用中，我們需要跟蹤的往往是一些特定的我們事先具有認識的目標，因此，基於模型的跟蹤方法首先根據自己的先驗知識離線的建立該目標的 3D 或2D 幾何模型，然後，通過匹配待選區域模型與目標模型實現目標跟蹤，進而在跟蹤過程中，根據場景中圖像的特徵，確定運動目標的各個尺寸參數、姿態參數以及運動參數。
Shu Wang 等人提出一種基於超像素的跟蹤方法[26]，該方法在超像素基礎上建立目標的外觀模板，之後通過計算目標和背景的置信圖確定目標的位置，在這個過程中，該方法不斷通過分割和顏色聚類防止目標的模板漂移。
（5）基於檢測的跟蹤演算法
基於檢測的跟蹤演算法越來越流行。一般情況下，基於檢測的跟蹤演算法都採用一點學習方式產生特定目標的檢測器，即只用第一幀中人工標記的樣本信息訓練檢測器。這類演算法將跟蹤問題簡化為簡單的將背景和目標分離的分類問題，因此這類演算法的速度快且效果理想。這類演算法為了適應目標外表的變化，一般都會採用在線學習方式進行自更新，即根據自身的跟蹤結果對檢測器進行更新。

㈢ 目標跟蹤都有那些演算法

目標跟蹤,利用相鄰兩幀的區域匹配從圖像序列中建立目標鏈,跟蹤目標從進入監視范圍到駛離監視范圍的整個過程。首稱要確定匹配准則。常用的圖像匹配方法有Hausdorff距離區域法和圖像互相關。

㈣ 什麼是基追蹤演算法

基追蹤（basis pursuit）演算法是一種用來求解未知參量L1范數最小化的等式約束問題的演算法。
基追蹤是通常在信號處理中使用的一種對已知系數稀疏化的手段。將優化問題中的L0范數轉化為L1范數的求解就是基追蹤的基本思想。
比如我原先有一個優化問題：
min ||x||_0（就是L0范數的最小值）subject to y=Ax。
這個||x||_0，就是表示x中有多少個非零元素；那麼我們要求min ||x||_0，就是想知道含有最多0元素的那個解x是什麼。
但是呢，L0范數有非凸性，不怎麼好求解，這時我們就轉而求解L1范數的優化問題。
那麼，基追蹤演算法就是轉而求解
min||x||_1（就是L1范數的最小值）subject to||y-Ax||_2=0（2范數）
這個||x||_1，就是x的絕對值；那麼我們要求min||x||_1，就是求絕對值最小的那個解x是什麼。
更通俗一點來講，比如我要求一個線性方程組
Ax=b
x就是我們要求的未知量。這個A矩陣不是個方陣，是個欠定矩陣，那麼就導致這個線性方程組會有若干組解。那麼我們到底要哪組解好呢？
如果在一般情況下，可以直接用最小二乘法來獲得一組最小二乘解，就是x=(A'A)^(-1)A'b。但是我們現在利用基追蹤，就是想要來獲得一組含0元素最多的解。
那麼我們為什麼希望我們獲得的解裡面0元素越多越好呢？這就要談到「稀疏化」了。所謂稀疏化，就是希望我獲得的這個解放眼望去全是0，非0元素稀稀疏疏的。這樣在大樣本或者高維數的情況下，計算速度不會太慢，也不會太占計算機的內存。當然，所謂稀疏解是有一定精度誤差的，想要提高計算速度，必然會損失一點精度，這是不可避免的。
可以參考：Stephen Byod 的<Distributed Optimization and Statistical Learning via the ADMM>41頁

㈤ 求MPPT最大功率點跟蹤C程序演算法！

#include "16F877.h"
#device ADC = 8 // 一個8位寄存器ADC模式
#fuses HS, NOWDT, PUT, NOPROTECT, BROWNOUT, NODEBUG, NOLVP // High-Speed 20MHz, No Watchdog, No Protection, Brownout Protection,
#use delay(clock=20000000) // 20MHz Crystal
//int is defined as 8-bit unsigned integer using CCS compiler

void main (void)
{

signed int direction;

int delta;
int pwm;
int upperbound;
int lowerbound;

float power;
float powerold;
float voltage;
float voltagedrop;
float voltagedifference;
float currentma;
float measuredvoltage;
float measuredvoltagedrop;

direction = 1; // Set initial direction to positive
delta = 1; // Amount by which to adjust the PWM - 7-bit resolution so ty step of 2%
pwm = 26; // Initial position of the PWM - 50% Duty Cycle with 7-bit resolution.
upperbound = 49; // Upper bound of the PWM %
lowerbound = 1; // Lower bound of the PWM %
power = 0; // Initial Value of Power

setup_adc(ADC_CLOCK_DIV_32); // ADC clock
setup_adc_ports(ALL_ANALOG); // Set all inputs to analog

output_low(PIN_C1); // Set CCP1 output low
setup_ccp1(ccp_pwm); // setup pin CCP1 (RC2) to do PWM
setup_timer_2(T2_DIV_BY_1,12,1); // 384.615kHz

while (1)
{

//delay_ms(1000) // Wait 1 Second

set_adc_channel(0); // Select RA0
//delay_ms(20); // Wait to Read ADC
measuredvoltage = read_adc(); // Read the voltage input from ADC channel 0
set_adc_channel(1); // Select RA1
//delay_ms(20); // Wait to Read ADC
measuredvoltagedrop = read_adc(); // Read the Voltage dropped across the R from ADC channel 1

voltage = measuredvoltage/51; // Measured Voltage is 51 steps per Volt at a Reference Voltage of 5V
voltagedrop = measuredvoltagedrop/51;
voltagedifference = voltage - voltagedrop;

currentma = voltagedifference; // Calculating Current using 1K Resistance

powerold = power; // Calculate the Power from the inputs
power = voltage * currentma;

pwm = pwm + direction*delta; // Adjust Pulse Width Molation Value by Delta value

if (power < powerold) // If at top of curve, change direction
{
direction = -direction;
continue;
}

if (pwm > upperbound) // If at maximum PWM, Stop here
{
pwm = upperbound;
continue;
}

if (pwm < lowerbound) // If at minimum PWM, Stop here
{
pwm = lowerbound;
continue;
}

set_pwm1_ty(pwm); // Set PWM Mark-Space Radio to approx 50%

}
}

㈥ 自動跟蹤的跟蹤演算法

質心跟蹤演算法：這種跟蹤方式用於跟蹤有界目標，且目標與環境相比有明顯不同灰度等級，如空中飛機等。目標完全包含在鏡頭視場范圍內。

相關跟蹤演算法：相關可用來跟蹤多種類型的目標，當跟蹤目標無邊界且動態不是很強時這種方式非常有效。典型應用於：目標在近距離的范圍，且目標擴展到鏡頭視場范圍外，如航行在大海中的一艘船。

相位相關演算法：相位相關演算法是非常通用的演算法，既可以用來跟蹤無界目標也可以用來跟蹤有界目標。在復雜環境下（如地面的汽車）能給出一個好的效果。

多目標跟蹤演算法：多目標跟蹤用於有界目標如飛機、地面汽車等。它們完全在跟蹤窗口內。對復雜環境里的小目標跟蹤，本演算法能給出一個較好的性能。
邊緣跟蹤演算法：當跟蹤目標有一個或多個確定的邊緣而同時卻又具有不確定的邊緣，這時邊緣跟蹤是最有效的演算法。典型如火箭發射，它有確定好的前邊緣，但尾邊緣由於噴氣而不定。

場景鎖定演算法：該演算法專門用於復雜場景的跟蹤。適合於空對地和地對地場景。這個演算法跟蹤場景中的多個目標，然後依據每個點的運動，從而估計整個場景全局運動，場景中的目標和定位是自動選擇的。當存在跟蹤點移動到攝像機視場外時，新的跟蹤點能自動被標識。瞄準點初始化到場景中的某個點，跟蹤啟動，同時定位瞄準線。在這種模式下，能連續跟蹤和報告場景里的目標的位置。

組合跟蹤演算法：顧名思義這種跟蹤方式是兩種具有互補特性的跟蹤演算法的組合：相關類演算法 + 質心類演算法。它適合於目標尺寸、表面、特徵改變很大的場景。

㈦ 德雲系：擴展模塊的目標跟蹤演算法有哪些

你好，分為了以下四種：
1. KCF：TrackerKCF 使用目標周圍區域的循環矩陣採集正負樣本,利用脊回歸訓練目標檢測器,並成功的利用循環矩陣在傅里葉空間可對角化的性質將矩陣的運算轉化為向量的Hadamad積,即元素的點乘,大大降低了運算量,提高了運算速度,使演算法滿足實時性要求.
2.MIL：TrackerMIL 以在線方式訓練分類器將對象與背景分離;多實例學習避免魯棒跟蹤的漂移問題
3. OLB：TrackerBoosting 基於AdaBoost演算法的在線實時對象跟蹤.分類器在更新步驟中使用周圍背景作為反例以避免漂移問題.
4.MedianFlow：TrackerMedianFlow 跟蹤器適用於非常平滑和可預測的運動,物體在整個序列中可見.
5.TLD：TrackerTLD 將長期跟蹤任務分解為跟蹤，學習和檢測.跟蹤器在幀之間跟蹤對象.探測器本地化所觀察到的所有外觀,並在必要時糾正跟蹤器.學習估計檢測器的錯誤並進行更新以避免再出現這些錯誤.追蹤器能夠處理快速運動,部分遮擋,物體缺失等情況.

㈧ 有關於光伏發電中最大功率點跟蹤問題

所謂光伏發電的最大跟蹤點跟蹤（MPPT）
是指在光伏發電系統中，光伏電池的利用率除了與光伏電池的內部特性由關外，還收使用環境如輻照度、負載和溫度等因素的影響。在不同的外界條件下，光伏電池殼運行在不同且唯一的最大功率點(MPP)上。因此，對於光伏發電系統來說，應當尋求電池板的最佳工作狀態，最大限度進行光電轉換。利用控制方法實現電池板的最大功率輸出運行的技術為最大跟蹤點跟蹤（MPPT）技術。
實為一種控制技術，即演算法，屬逆變器內部功能，非外部單列控制器。
至於你所說的DC-DC部分應該指的是Boost變換。
傳統的MPPT方法依據判斷方法和准則的不同分為開環和閉環MPPT方法。開環又包含定電壓跟蹤法、短路電流比例系數法、差值計演算法；閉環包含擾動觀測法、電導增量法（INC）。到現在還有了智能MPPT方法。
並網逆變器按實現MPPT跟蹤的不同拓撲和實現位置主要分兩類：兩級式並網光伏和單級式並網光伏。
兩級式：電池板輸出的直流電通過前級Boost變換升壓後在輸出給後級的網側逆變器，通過控制將網側逆變器輸出的交流電並入電網。由於兩級式並網光伏逆變器中存在兩個功率變換單元，因此最大功率跟蹤點控制可以由前級的Boost完成，也可由後級的網側逆變器完成。而含有DC-DC變換的應是基於前級的MPPT控制，也是實際中較為常見的控制方案，這種控制，前級的Boost實現MPPT控制，後級實現直流母線穩壓控制。
單級式：MPPT、電網電壓同步和輸出電流正弦控制等均直接由DC-AC環節來實現，控制相對復雜。
再細分就多了，大體就是這個結構，希望能對你由幫助，如有不明白的，可追問。

㈨ 高效光線跟蹤的演算法有那些

淺析3D Max中的高級燈光技術

摘要：3D Max在3D製作軟體中渲染功能一直比較薄弱，使其只甘居Maya等3D製作軟體之下。為彌補這一缺陷，在5.0版中3D Max增加了高級燈光技術，擁有光能傳遞、光線追蹤器兩個全局照明系統，在渲染功能上有了非常顯著的改善。本文主要介紹新的光能傳遞演算法。

關鍵詞：渲染 全局照明 光能傳遞

3D MAX 的渲染功能一直比較薄弱，其效果遠不如其他軟體（例如Maya）那樣逼真，這在很大程度上是因為3D MAX默認的燈光技術不夠先進。

在3D MAX中經常使用「光線追蹤（Ray-Trace）」材質，與之相聯系的就是光線追蹤渲染演算法。這種演算法假設發出很多條光線，光線遇到物體時，被遮擋、反射或者折射，通過跟蹤這些光線，就可以得到場景的渲染效果。但是這種方法有一個嚴重的缺點，就是不能反映現實生活中光的很多特性。例如，在現實生活中，燈光照射到物體後，每個物體都會發射一部分光線，形成環境光，從而導致沒有被燈光直射的物體也能被照明，而不是完全出於黑暗狀態。又如，把一個紅色物體靠近白色的牆壁，那麼牆壁靠近物體的地方會顯出也帶有紅色。還有很多諸如此類的燈光效果，使用光線追蹤演算法都不能產生。

為了解決這些問題，人們發明了更先進的演算法來計算燈光的效果，這就是「光能傳遞（Radiosity）」演算法。這種演算法把光作為光量子看待（實際上更符合現代物理學），通過計算光量子的能量分布獲得渲染結果。這種方法能夠獲得最逼真的照明效果，因此，通常將光能傳遞演算法和光線追蹤演算法結合起來，以獲得最佳的效果。3D MAX5.0新增的高級光照功能則包含了兩個不同的系統：光能傳遞（radiosity）和光線追蹤器（light tracer）。它所得到的結果非常接近對真實事物的再現。

光線追蹤器比較通用，也容易使用，使用它不需要理解許多技術概念，任何模型和燈的類型都適用。光能傳遞相對較復雜，需要為這種處理方式專門准備模型和場景。燈必須是光度控制燈，材質也必須仔細設計。但光能傳遞在物理上是精確的，對於建築模型的精確設計是必須的，這一點非常重要，尤其當建模的目的是進行光照分析時。另外，光線追蹤器的結果與視點無關，而光能傳遞不是這樣的。光線追蹤器在每一幀都計算光照。光能傳遞只會計算一次，除非場景中的物體移動了或燈發生了變化，或者是從另一個不同的視點渲染場景時。基本原則是光線追蹤器更適用於有大量光照的室外場景、角色動畫和在空曠的場景中渲染物體。光能傳遞更適合於使用了聚光燈的室內場景和建築渲染。

使用光線追蹤器進行室內光照模擬時，為避免平坦表面上的噪波，可能需要相當高質量的設定和很長的渲染時間。光能傳遞則可以用更短的時間提供更好的效果。另一方面，光能傳遞用於有許多多邊形的角色模型時，需要額外的細化步驟、過濾，甚至是Regathering(重新聚合)。而光線追蹤器適用默認的設置一次渲染就可以得到更好的效果。

傳統的渲染引擎值考慮直接光照

不考慮反射光，然而，反射光是

一個場景的重要組成部分。 對相同的場景使用全局光照渲染，

上圖使用了光能傳遞（radiosity）

就可以得到一種真實的結果。

光能傳遞是在一個場景中重現從物體表面反射的自然光線，實現更加真實和物理上精確的照明結果。如圖所示。光能傳遞基於幾何學計算光從物體表面的反射。幾何面（三角形）成為光能傳遞進行計算的最小單位。大的表面可能需要被細分為小的三角形面以獲得更精確的結果。場景中三角形面的數目很重要。如果數目不夠結果會不精確，但如果太多時間又會太長。光能傳遞提供一種將大的三角形面自動細分的方法，同時也可以控制每個物體的細分和細化程度。光能傳遞依賴於材質和表面屬性以獲得物理上精確的結果。在場景中進行建模時必須牢記這一點。要使用光度控制燈，而且模型的幾何結構應盡可能准確。

1．單位

要獲得精確的結果，場景中作圖單位是一個基礎。如果單位是「英寸」，一個100×200×96單位的房間可以被一個相當於60瓦燈泡的光度控制燈正確照明，但如果單位是「米」，相同場景會變得非常暗。

2．光能傳遞的解決方案

光能傳遞是一個獨立於渲染的處理過程，一旦解決方案被計算出來，結果被保存在幾何體自己內部。對幾何體或光照作改變將使原解決方案無效。解決方案是為整個場景全局計算的，這意味著它與視點無關。一旦計算出來，就可以從任何方向觀察場景。當攝像機在一個固定場景中移動時，這將會節省時間。如果對幾何體或燈作了動畫，每一幀都必須計算光能傳遞。渲染菜單中的選項允許定義如何處理光能傳遞過程。

。

㈩ 計算機視覺中，目前有哪些經典的目標跟蹤演算法

benchmark 2015版：Visual Tracker Benchmark 不過這些演算法都比較新 要看老的話主要是06年這篇paper 和09年有一篇暫時忘記paper名字了
古老的方法比如optical flow，kalman filter(後面的particle filter)……了解不多不瞎扯了

目前tracking主要是兩種，discriminative 和 generative，當然也有combine兩個的比如SCM。你提到的都是前者，就是演算法裡面基本有一個classifier可以分辨要追蹤的物體。這類除了你說的最近比較火的還有速度極占優勢的CSK（後來進化成KCF/DCF了）
另一種generative的方法，大致就是用模版（或者sparse code）抽一堆feature，按距離函數來匹配。L1，ASLA，LOT，MTT都是。

最近才開始了解tracking，所以說得可能並不是很對，僅供參考