追踪最高点算法

㈠ 多假设追踪方法mht是什么算法

多假设跟踪算法是一种数据关联类型的多目标跟踪算法，实现方式分为面向假设的MHT和面向航迹的MHT两种。
MHT算法的实现流程包括航迹关联和航迹维护两个步骤。
MHT算法计算量庞大，随着量测数和目标数呈指数级增长，但对于杂波密集环境下的多目标跟踪具有很高的准确率。

㈡ 视觉追踪的典型算法

（1）基于区域的跟踪算法
基于区域的跟踪算法基本思想是：将目标初始所在区域的图像块作为目标模板，将目标模板与候选图像中所有可能的位置进行相关匹配，匹配度最高的地方即为目标所在的位置。最常用的相关匹配准则是差的平方和准则，(Sum of Square Difference，SSD)。
起初，基于区域的跟踪算法中所用到的目标模板是固定的，如 Lucas 等人提出 Lucas-Kanade 方法，该方法利用灰度图像的空间梯度信息寻找最佳匹配区域，确定目标位置。之后，更多的学者针对基于区域方法的缺点进行了不同的改进，如：Jepson 等人提出的基于纹理特征的自适应目标外观模型[18],该模型可以较好的解决目标遮挡的问题，且在跟踪的过程中采用在线 EM 算法对目标模型进行更新；Comaniciu 等人[19]提出了基于核函数的概率密度估计的视频目标跟踪算法，该方法采用核直方图表示目标，通过 Bhattacharya 系数计算目标模板与候选区域的相似度，通过均值漂移(MeanShift)算法快速定位目标位置。
基于区域的目标跟踪算法采用了目标的全局信息，比如灰度信息、纹理特征等，因此具有较高的可信度，即使目标发生较小的形变也不影响跟踪效果，但是当目标发生较严重的遮挡时，很容易造成跟踪失败。
（2）基于特征的跟踪方法
基于特征的目标跟踪算法通常是利用目标的一些显着特征表示目标，并通过特征匹配在图像序列中跟踪目标。该类算法不考虑目标的整体特征，因此当目标被部分遮挡时，仍然可以利用另一部分可见特征完成跟踪任务，但是该算法不能有效处理全遮挡、重叠等问题。
基于特征的跟踪方法一般包括特征提取和特征匹配两个过程：
a) 特征提取
所谓特征提取是指从目标所在图像区域中提取合适的描绘性特征。这些特征不仅应该较好地区分目标和背景，而且应对目标尺度伸缩、目标形状变化、目标遮挡等情况具有鲁棒性。常用的目标特征包括颜色特征、灰度特征、纹理特征、轮廓、光流特征、角点特征等。D.G. Lowe 提出 SIFT(Scale Invariant Feature Transform)算法[20]是图像特征中效果较好的一种方法，该特征对旋转、尺度缩放、亮度变化具有不变性，对视角变化、仿射变换、噪声也具有一定的稳定性。
b) 特征匹配
特征匹配就是采用一定的方式计算衡量候选区域与目标区域的相似性，并根据相似性确定目标位置、实现目标跟踪。在计算机视觉领域中，常用的相似性度量准则包括加权距离、Bhattacharyya 系数、欧式距离、Hausdorff 距离等。其中，Bhattacharyya 系数和欧式距离最为常用。
Tissainayagam 等人提出了一种基于点特征的目标跟踪算法[21]。该算法首先在多个尺度空间中寻找局部曲率最大的角点作为关键点，然后利用提出的MHT-IMM 算法跟踪这些关键点。这种跟踪算法适用于具有简单几何形状的目标，对于难以提取稳定角点的复杂目标，则跟踪效果较差。
Zhu 等人提出的基于边缘特征的目标跟踪算法[22]，首先将参考图像划分为多个子区域，并将每个子区域的边缘点均值作为目标的特征点，然后利用类似光流的方法进行特征点匹配，从而实现目标跟踪。
（3）基于轮廓的跟踪方法
基于轮廓的目标跟踪方法需要在视频第一帧中指定目标轮廓的位置，之后由微分方程递归求解，直到轮廓收敛到能量函数的局部极小值，其中，能量函数通常与图像特征和轮廓光滑度有关。与基于区域的跟踪方法相比，基于轮廓的跟踪方法的计算复杂度小，对目标的部分遮挡鲁棒。但这种方法在跟踪开始时需要初始化目标轮廓，因此对初始位置比较敏感，跟踪精度也被限制在轮廓级。
Kass 等人[23]于 1987 年提出的活动轮廓模型(Active Contour Models，Snake)，通过包括图像力、内部力和外部约束力在内的三种力的共同作用控制轮廓的运动。内部力主要对轮廓进行局部的光滑性约束，图像力则将曲线推向图像的边缘，而外部力可以由用户指定，主要使轮廓向期望的局部极小值运动，。
Paragios 等人[24]提出了一种用水平集方法表示目标轮廓的目标检测与跟踪算法，该方法首先通过帧差法得到目标边缘，然后通过概率边缘检测算子得到目标的运动边缘，通过将目标轮廓向目标运动边缘演化实现目标跟踪。
（4）基于模型的跟踪方法[25]
在实际应用中，我们需要跟踪的往往是一些特定的我们事先具有认识的目标，因此，基于模型的跟踪方法首先根据自己的先验知识离线的建立该目标的 3D 或2D 几何模型，然后，通过匹配待选区域模型与目标模型实现目标跟踪，进而在跟踪过程中，根据场景中图像的特征，确定运动目标的各个尺寸参数、姿态参数以及运动参数。
Shu Wang 等人提出一种基于超像素的跟踪方法[26]，该方法在超像素基础上建立目标的外观模板，之后通过计算目标和背景的置信图确定目标的位置，在这个过程中，该方法不断通过分割和颜色聚类防止目标的模板漂移。
（5）基于检测的跟踪算法
基于检测的跟踪算法越来越流行。一般情况下，基于检测的跟踪算法都采用一点学习方式产生特定目标的检测器，即只用第一帧中人工标记的样本信息训练检测器。这类算法将跟踪问题简化为简单的将背景和目标分离的分类问题，因此这类算法的速度快且效果理想。这类算法为了适应目标外表的变化，一般都会采用在线学习方式进行自更新，即根据自身的跟踪结果对检测器进行更新。

㈢ 目标跟踪都有那些算法

目标跟踪,利用相邻两帧的区域匹配从图像序列中建立目标链,跟踪目标从进入监视范围到驶离监视范围的整个过程。首称要确定匹配准则。常用的图像匹配方法有Hausdorff距离区域法和图像互相关。

㈣ 什么是基追踪算法

基追踪（basis pursuit）算法是一种用来求解未知参量L1范数最小化的等式约束问题的算法。
基追踪是通常在信号处理中使用的一种对已知系数稀疏化的手段。将优化问题中的L0范数转化为L1范数的求解就是基追踪的基本思想。
比如我原先有一个优化问题：
min ||x||_0（就是L0范数的最小值）subject to y=Ax。
这个||x||_0，就是表示x中有多少个非零元素；那么我们要求min ||x||_0，就是想知道含有最多0元素的那个解x是什么。
但是呢，L0范数有非凸性，不怎么好求解，这时我们就转而求解L1范数的优化问题。
那么，基追踪算法就是转而求解
min||x||_1（就是L1范数的最小值）subject to||y-Ax||_2=0（2范数）
这个||x||_1，就是x的绝对值；那么我们要求min||x||_1，就是求绝对值最小的那个解x是什么。
更通俗一点来讲，比如我要求一个线性方程组
Ax=b
x就是我们要求的未知量。这个A矩阵不是个方阵，是个欠定矩阵，那么就导致这个线性方程组会有若干组解。那么我们到底要哪组解好呢？
如果在一般情况下，可以直接用最小二乘法来获得一组最小二乘解，就是x=(A'A)^(-1)A'b。但是我们现在利用基追踪，就是想要来获得一组含0元素最多的解。
那么我们为什么希望我们获得的解里面0元素越多越好呢？这就要谈到“稀疏化”了。所谓稀疏化，就是希望我获得的这个解放眼望去全是0，非0元素稀稀疏疏的。这样在大样本或者高维数的情况下，计算速度不会太慢，也不会太占计算机的内存。当然，所谓稀疏解是有一定精度误差的，想要提高计算速度，必然会损失一点精度，这是不可避免的。
可以参考：Stephen Byod 的<Distributed Optimization and Statistical Learning via the ADMM>41页

㈤ 求MPPT最大功率点跟踪C程序算法！

#include "16F877.h"
#device ADC = 8 // 一个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 自动跟踪的跟踪算法

质心跟踪算法：这种跟踪方式用于跟踪有界目标，且目标与环境相比有明显不同灰度等级，如空中飞机等。目标完全包含在镜头视场范围内。

相关跟踪算法：相关可用来跟踪多种类型的目标，当跟踪目标无边界且动态不是很强时这种方式非常有效。典型应用于：目标在近距离的范围，且目标扩展到镜头视场范围外，如航行在大海中的一艘船。

相位相关算法：相位相关算法是非常通用的算法，既可以用来跟踪无界目标也可以用来跟踪有界目标。在复杂环境下（如地面的汽车）能给出一个好的效果。

多目标跟踪算法：多目标跟踪用于有界目标如飞机、地面汽车等。它们完全在跟踪窗口内。对复杂环境里的小目标跟踪，本算法能给出一个较好的性能。
边缘跟踪算法：当跟踪目标有一个或多个确定的边缘而同时却又具有不确定的边缘，这时边缘跟踪是最有效的算法。典型如火箭发射，它有确定好的前边缘，但尾边缘由于喷气而不定。

场景锁定算法：该算法专门用于复杂场景的跟踪。适合于空对地和地对地场景。这个算法跟踪场景中的多个目标，然后依据每个点的运动，从而估计整个场景全局运动，场景中的目标和定位是自动选择的。当存在跟踪点移动到摄像机视场外时，新的跟踪点能自动被标识。瞄准点初始化到场景中的某个点，跟踪启动，同时定位瞄准线。在这种模式下，能连续跟踪和报告场景里的目标的位置。

组合跟踪算法：顾名思义这种跟踪方式是两种具有互补特性的跟踪算法的组合：相关类算法 + 质心类算法。它适合于目标尺寸、表面、特征改变很大的场景。

㈦ 德云系：扩展模块的目标跟踪算法有哪些

你好，分为了以下四种：
1. KCF：TrackerKCF 使用目标周围区域的循环矩阵采集正负样本,利用脊回归训练目标检测器,并成功的利用循环矩阵在傅里叶空间可对角化的性质将矩阵的运算转化为向量的Hadamad积,即元素的点乘,大大降低了运算量,提高了运算速度,使算法满足实时性要求.
2.MIL：TrackerMIL 以在线方式训练分类器将对象与背景分离;多实例学习避免鲁棒跟踪的漂移问题
3. OLB：TrackerBoosting 基于AdaBoost算法的在线实时对象跟踪.分类器在更新步骤中使用周围背景作为反例以避免漂移问题.
4.MedianFlow：TrackerMedianFlow 跟踪器适用于非常平滑和可预测的运动,物体在整个序列中可见.
5.TLD：TrackerTLD 将长期跟踪任务分解为跟踪，学习和检测.跟踪器在帧之间跟踪对象.探测器本地化所观察到的所有外观,并在必要时纠正跟踪器.学习估计检测器的错误并进行更新以避免再出现这些错误.追踪器能够处理快速运动,部分遮挡,物体缺失等情况.

㈧ 有关于光伏发电中最大功率点跟踪问题

所谓光伏发电的最大跟踪点跟踪（MPPT）
是指在光伏发电系统中，光伏电池的利用率除了与光伏电池的内部特性由关外，还收使用环境如辐照度、负载和温度等因素的影响。在不同的外界条件下，光伏电池壳运行在不同且唯一的最大功率点(MPP)上。因此，对于光伏发电系统来说，应当寻求电池板的最佳工作状态，最大限度进行光电转换。利用控制方法实现电池板的最大功率输出运行的技术为最大跟踪点跟踪（MPPT）技术。
实为一种控制技术，即算法，属逆变器内部功能，非外部单列控制器。
至于你所说的DC-DC部分应该指的是Boost变换。
传统的MPPT方法依据判断方法和准则的不同分为开环和闭环MPPT方法。开环又包含定电压跟踪法、短路电流比例系数法、差值计算法；闭环包含扰动观测法、电导增量法（INC）。到现在还有了智能MPPT方法。
并网逆变器按实现MPPT跟踪的不同拓扑和实现位置主要分两类：两级式并网光伏和单级式并网光伏。
两级式：电池板输出的直流电通过前级Boost变换升压后在输出给后级的网侧逆变器，通过控制将网侧逆变器输出的交流电并入电网。由于两级式并网光伏逆变器中存在两个功率变换单元，因此最大功率跟踪点控制可以由前级的Boost完成，也可由后级的网侧逆变器完成。而含有DC-DC变换的应是基于前级的MPPT控制，也是实际中较为常见的控制方案，这种控制，前级的Boost实现MPPT控制，后级实现直流母线稳压控制。
单级式：MPPT、电网电压同步和输出电流正弦控制等均直接由DC-AC环节来实现，控制相对复杂。
再细分就多了，大体就是这个结构，希望能对你由帮助，如有不明白的，可追问。

㈨ 高效光线跟踪的算法有那些

浅析3D Max中的高级灯光技术

摘要：3D Max在3D制作软件中渲染功能一直比较薄弱，使其只甘居Maya等3D制作软件之下。为弥补这一缺陷，在5.0版中3D Max增加了高级灯光技术，拥有光能传递、光线追踪器两个全局照明系统，在渲染功能上有了非常显着的改善。本文主要介绍新的光能传递算法。

关键词：渲染 全局照明 光能传递

3D MAX 的渲染功能一直比较薄弱，其效果远不如其他软件（例如Maya）那样逼真，这在很大程度上是因为3D MAX默认的灯光技术不够先进。

在3D MAX中经常使用“光线追踪（Ray-Trace）”材质，与之相联系的就是光线追踪渲染算法。这种算法假设发出很多条光线，光线遇到物体时，被遮挡、反射或者折射，通过跟踪这些光线，就可以得到场景的渲染效果。但是这种方法有一个严重的缺点，就是不能反映现实生活中光的很多特性。例如，在现实生活中，灯光照射到物体后，每个物体都会发射一部分光线，形成环境光，从而导致没有被灯光直射的物体也能被照明，而不是完全出于黑暗状态。又如，把一个红色物体靠近白色的墙壁，那么墙壁靠近物体的地方会显出也带有红色。还有很多诸如此类的灯光效果，使用光线追踪算法都不能产生。

为了解决这些问题，人们发明了更先进的算法来计算灯光的效果，这就是“光能传递（Radiosity）”算法。这种算法把光作为光量子看待（实际上更符合现代物理学），通过计算光量子的能量分布获得渲染结果。这种方法能够获得最逼真的照明效果，因此，通常将光能传递算法和光线追踪算法结合起来，以获得最佳的效果。3D MAX5.0新增的高级光照功能则包含了两个不同的系统：光能传递（radiosity）和光线追踪器（light tracer）。它所得到的结果非常接近对真实事物的再现。

光线追踪器比较通用，也容易使用，使用它不需要理解许多技术概念，任何模型和灯的类型都适用。光能传递相对较复杂，需要为这种处理方式专门准备模型和场景。灯必须是光度控制灯，材质也必须仔细设计。但光能传递在物理上是精确的，对于建筑模型的精确设计是必须的，这一点非常重要，尤其当建模的目的是进行光照分析时。另外，光线追踪器的结果与视点无关，而光能传递不是这样的。光线追踪器在每一帧都计算光照。光能传递只会计算一次，除非场景中的物体移动了或灯发生了变化，或者是从另一个不同的视点渲染场景时。基本原则是光线追踪器更适用于有大量光照的室外场景、角色动画和在空旷的场景中渲染物体。光能传递更适合于使用了聚光灯的室内场景和建筑渲染。

使用光线追踪器进行室内光照仿真时，为避免平坦表面上的噪波，可能需要相当高质量的设定和很长的渲染时间。光能传递则可以用更短的时间提供更好的效果。另一方面，光能传递用于有许多多边形的角色模型时，需要额外的细化步骤、过滤，甚至是Regathering(重新聚合)。而光线追踪器适用默认的设置一次渲染就可以得到更好的效果。

传统的渲染引擎值考虑直接光照

不考虑反射光，然而，反射光是

一个场景的重要组成部分。 对相同的场景使用全局光照渲染，

上图使用了光能传递（radiosity）

就可以得到一种真实的结果。

光能传递是在一个场景中重现从物体表面反射的自然光线，实现更加真实和物理上精确的照明结果。如图所示。光能传递基于几何学计算光从物体表面的反射。几何面（三角形）成为光能传递进行计算的最小单位。大的表面可能需要被细分为小的三角形面以获得更精确的结果。场景中三角形面的数目很重要。如果数目不够结果会不精确，但如果太多时间又会太长。光能传递提供一种将大的三角形面自动细分的方法，同时也可以控制每个物体的细分和细化程度。光能传递依赖于材质和表面属性以获得物理上精确的结果。在场景中进行建模时必须牢记这一点。要使用光度控制灯，而且模型的几何结构应尽可能准确。

1．单位

要获得精确的结果，场景中作图单位是一个基础。如果单位是“英寸”，一个100×200×96单位的房间可以被一个相当于60瓦灯泡的光度控制灯正确照明，但如果单位是“米”，相同场景会变得非常暗。

2．光能传递的解决方案

光能传递是一个独立于渲染的处理过程，一旦解决方案被计算出来，结果被保存在几何体自己内部。对几何体或光照作改变将使原解决方案无效。解决方案是为整个场景全局计算的，这意味着它与视点无关。一旦计算出来，就可以从任何方向观察场景。当摄像机在一个固定场景中移动时，这将会节省时间。如果对几何体或灯作了动画，每一帧都必须计算光能传递。渲染菜单中的选项允许定义如何处理光能传递过程。

。

㈩ 计算机视觉中，目前有哪些经典的目标跟踪算法

benchmark 2015版：Visual Tracker Benchmark 不过这些算法都比较新 要看老的话主要是06年这篇paper 和09年有一篇暂时忘记paper名字了
古老的方法比如optical flow，kalman filter(后面的particle filter)……了解不多不瞎扯了

目前tracking主要是两种，discriminative 和 generative，当然也有combine两个的比如SCM。你提到的都是前者，就是算法里面基本有一个classifier可以分辨要追踪的物体。这类除了你说的最近比较火的还有速度极占优势的CSK（后来进化成KCF/DCF了）
另一种generative的方法，大致就是用模版（或者sparse code）抽一堆feature，按距离函数来匹配。L1，ASLA，LOT，MTT都是。

最近才开始了解tracking，所以说得可能并不是很对，仅供参考