匹配追蹤演算法matlab

1. matlab中怎麼追趕法求解矩陣

matlab中怎麼追趕法求解矩陣?追趕法是求解三角矩陣方程的一種方法，其特點是計算量少，方法簡單，演算法比較穩定。
追趕法求解的思路是：
1、預處理，生成方程組的系數u(i)及其除數d(i)
2、追，從y(1)y(2)y(3)。。。y(n)一直往前追
3、趕，從x(n)x(n-1)。。。x(1)一直往後趕
按這思路，就可編寫chase（）函數。其格式
x=chase(a,b,c,f)
求解例題：
┌ ┐┌ ┐ ┌ ┐
│2 -1 0 0││x1│ │6│
│-1 3 -2 0││x2│=│1│
│0 -1 -2 -1││x3│ │0│
│0 0 -3 5││x4│ │1│
└ ┘└ ┘ └ ┘
a=[0,-1,-1,-3];
b=[2,3,2,5];
c=[-1,-2,-1,0];
f=[6,1,0,1];
x=chase(a,b,c,f)
運行結果為 x=(5,4,23,2)^T

2. 有了卡爾曼濾波跟蹤演算法程序代碼，在matlab中如何操作才能實現對小球落地動畫中的小球進行跟蹤

作為一個計量學中不太常用的方法，專門介紹的書應該不多吧
在主要的計量學中應該都有涉及，梁逸增白灰黑復雜多組分分析體系及其化學計量學演算法中有演算法介紹，許祿的化學計量學有詳細介紹還有例子，建議參考。

3. 在MATLAB的sift演算法中，怎麼用一個模板與多幅圖像進行匹配

(1) 尺度不變特徵變換（SIFT演算法）概要

是一種計算機視覺的演算法，用來偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數。

此演算法由 David Lowe 在1999年所發表，2004年完善總結。其應用范圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。此演算法有其專利，專利擁有者為 英屬哥倫比亞大學。

局部影像特徵的描述與偵測可以幫助辨識物體，SIFT 特徵是基於物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關。 對於光線、雜訊、些微視角改變的容忍度也相當高。基於這些特性，它們是高度顯著而且相對容易擷取，在母數龐大的特徵資料庫中，很容易辨識物體而且鮮有誤認。使用 SIFT特徵描述對於部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的SIFT物體特徵就足以計算出位置與方位。在現今的電腦硬體速度下和小型的特徵資料庫條件下，辨識速度可接近即時運算。SIFT特徵的信息量大，適合在海量資料庫中快速准確匹配。

(2 ) Matlab代碼主要功能函數如下： match.m：測試程序

功能：該函數讀入兩幅（灰度）圖像，找出各自的 SIFT 特徵, 並顯示兩連接兩幅圖像中被匹配的特徵點（關鍵特徵點（the matched keypoints）直線（將對應特徵點進行連接）。判斷匹配的准則是匹配距離小於distRatio倍於下一個最近匹配的距離（ A match is accepted only if its distance is less than distRatio times the distance to the second closest match. 該程序返回顯示的匹配對的數量。（ It returns the number of matches displayed.） 調用實例： match('desk.jpg','book.jpg');

( 假如，想測試一個含有一本書的桌面的圖像 和一本書的圖像之間特徵匹配） 調用方法和參數描述：略。 注意：（1）圖像為灰度圖像，如果是彩色圖像，應該在調用前利用rgb2gray轉換為灰度圖像。

（2）參數distRatio 為控制匹配點數量的系數，這里取 0.6，該參數決定了匹配點的數量，在Match.m文件中調整該參數，獲得最合適的匹配點數量。 sift.m :尺度不變特徵變換（SIFT演算法）的核心演算法程序

功能：該函數讀入灰度圖像，返回SIFT 特徵關鍵點（ SIFT keypoints.） 調用方法和參數描述：

調用方式：[image, descriptors, locs] = sift(imageFile) 輸入參數（ Input parameters）:

imageFile: 圖像文件名.

輸出或返回參數（ Returned）:

image: 是具有double format格式的圖像矩陣

descriptors: 一個 K-by-128 的矩陣x, 其中每行是針對找到的K個關鍵特徵點（the K keypoints）的不變數描述子. 這個描述子（descriptor）是一個擁有128個數值並歸一化為單位長度向量.

locs: 是K-by-4 矩陣, 其中的每一行具有四個數值，表示關鍵點位置信息 (在圖像中的行坐標，列坐標（row, column) ，注意，一般圖像的左上角為坐標原點）, 尺度scale，高斯尺度空間的參數，其中該參數也決定了frame(結構）確定的圖像disk的大小, 最後一個參數是方向orientation). 方向參數的范圍是[-PI, PI] 單位為弧度.

appendimages.m: 該函數創建一個新的圖像分別包含兩個匹配的圖像和他們之間

的匹配對的連接直線. (3) 實際案例執行結果：

程序代碼使用matlab和c混合編程。用matlab打開文件中的sift_match.m文件，並執行。如下圖所示：

4. matlab中怎麼調用vlfeat中的kd-tree 演算法進行匹配

matlab中怎麼調用vlfeat中的kd-tree 演算法進行匹配
clear all;
%二進制數字序列
x=[1 0 0 1 0 1 1 0 1 1];
grid=200;%每個碼元持續的時間
t=0:1/grid:length(x);
for i=1:length(x)
if(x(i)==1)
for j=1:grid
y((i-1)*grid+j)=1;
end
else
for j=1:grid
y((i-1)*grid+j)=0;
end
end
end
y=[y,x(i)];
w1=2*pi;w2=4*pi;A=1;
c1t=A*sin(w1*t);c2t=A*sin(w2*t);
subplot(2,2,1)
plot(t,c1t,'r'),title('正弦載波波形')
subplot(2,2,3)
plot(t,c2t,'r'),title('餘弦載波波形')
subplot(2,2,2)
plot(t,y,'r'),title('數字序列波形')
for i=1:length(y);
if(y(i)==1)
e1t(i)=c1t(i);
else
e1t(i)=c2t(i);
end
end
subplot(2,2,4)
plot(t,e1t,'r'),title('2FSK輸出波形')

5. matlab實現SIFT特徵點檢測及配准

sift是一種提取特徵點的演算法，可以用matlab編程實現，但沒有現成的語句，得自己寫程序。另外還有很多提取特徵的演算法，sift是其中比較好的一種。

6. matlab 匹配追蹤工具箱為什麼沒有chirp原子

匹配追蹤最早是時頻分析的分析工具，目的是要將一已知訊號拆解成由許多被稱作為原子訊號的加權總和，而且企圖找到與原來訊號最接近的解。
其中原子訊號為一極大的原子庫中的元素。

7. 求會km演算法，且會使用matlab算出最優匹配的大神幫忙，最好懂編程的

KM演算法：其實感覺它的最基本得思想就是逐漸接近最優匹配，每次向最有匹配邁出最小的一步，直到達到最優為止（到最後，sigma(lx[i]+ly[i])剛好等於最優匹配值）

演算法開始，初始化LX[I]為等點I的最大的邊的權值，LY[I]初始為0，在這個時候如果各個定點所對應得最大權值得邊終點剛剛沒有重合的話，顯然，目前的匹配狀況既是最優的。

演算法進行的過程中不斷的更新頂標（LX[I],LY[I]）的值來進行匹配。

每次尋找增廣路徑，找到的話繼續尋找下一個點，找不到的話更改目前的頂標值，由於（sigma(lx[i]+ly[i])）是最優匹配的估計值，如果找不到當前節點的匹配的話，說明目前的最優匹配的估計值不能實現，需要調整，而KM演算法的核心就是如何實現一個有效同時又正確的調整的方法。

以最小的調整逐漸靠近答案是必須的，其次就是需要知道要調整哪些頂標，首先，調整不能破壞目前的匹配狀況（因為匹配是在尋找增廣路徑中實現的）

8. 題目內容： 利用C++或者Matlab實現一種運動目標跟蹤方法。主要涉及到運動目標的特徵計算、預測和匹配。

不是C + +，它是很難捕捉到的視頻幀，一般監控攝像機的SDK支持C + +

9. matlab圖像匹配問題

function Icorr=imcorr(a,b)
% function corr=imcorr(a,b)
%計算圖像a與子模式b的相關響應，並提示最大的響應位置
%
%impute：a-原始圖像
% b-子圖像
%
%output: Icorr-響應圖像

[m,n]=size(a);
[m0,n0]=size(b);
Icorr=zeros(m-m0+1,n-n0+1);%為響應圖像分配空間
vecB=double(b(:)); %按列存儲為向量
normB=norm(vecB); %模式圖像對應向量的模
for ii=1:m-m0+1
for jj=1:n-n0+1
subMat=a(ii:ii+m0-1,jj:jj+n0-1);
vec=double(subMat(:));
Icorr(ii,jj)=vec'*vecB/(norm(vec)*normB+eps); %計算當前位置的相關
end
end
%找到最大響應位置
[iMaxRes,jMaxRes]=find(Icorr==max(Icorr(:)));
figure;imshow(a);
hold on
for ii=1:length(iMaxRes)
plot(jMaxRes(ii),iMaxRes(ii),'*'); %繪制最大響應點
%用矩形框標記出匹配區域
plot([jMaxRes(ii),jMaxRes(ii)+n0-1],[iMaxRes(ii),iMaxRes(ii)]);
plot([jMaxRes(ii)+n0-1,jMaxRes(ii)+n0-1],[iMaxRes(ii),iMaxRes(ii)+m0-1]);
plot([jMaxRes(ii),jMaxRes(ii)+n0-1],[iMaxRes(ii)+m0-1,iMaxRes(ii)+m0-1]);
plot([jMaxRes(ii),jMaxRes(ii)],[iMaxRes(ii),iMaxRes(ii)+m0-1]);
end
matlab模板匹配的源代碼

10. 稀疏度為1的信號，用壓縮感知恢復原始信號，匹配追蹤演算法（MP）和正交匹配追蹤演算法（OMP）的結果一樣嗎

壓縮感知(Compressed Sensing, CS)[1]理論具有全新的信號獲取和處理方式，該理論解決了傳統的Nyquist方法采樣頻率較高的問題,大大降低了稀疏信號精確重構所需的采樣頻率。
另外，CS理論在數據採集的同時完成數據壓縮,從而節約了軟、硬體資源及處理時間。
這些突出優點使其在信號處理領域有著廣闊的應用前景！