匹配追踪算法matlab

1. matlab中怎么追赶法求解矩阵

matlab中怎么追赶法求解矩阵?追赶法是求解三角矩阵方程的一种方法，其特点是计算量少，方法简单，算法比较稳定。
追赶法求解的思路是：
1、预处理，生成方程组的系数u(i)及其除数d(i)
2、追，从y(1)y(2)y(3)。。。y(n)一直往前追
3、赶，从x(n)x(n-1)。。。x(1)一直往后赶
按这思路，就可编写chase（）函数。其格式
x=chase(a,b,c,f)
求解例题：
┌ ┐┌ ┐ ┌ ┐
│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)
运行结果为 x=(5,4,23,2)^T

2. 有了卡尔曼滤波跟踪算法程序代码，在matlab中如何操作才能实现对小球落地动画中的小球进行跟踪

作为一个计量学中不太常用的方法，专门介绍的书应该不多吧
在主要的计量学中应该都有涉及，梁逸增白灰黑复杂多组分分析体系及其化学计量学算法中有算法介绍，许禄的化学计量学有详细介绍还有例子，建议参考。

3. 在MATLAB的sift算法中，怎么用一个模板与多幅图像进行匹配

(1) 尺度不变特征变换（SIFT算法）概要

是一种计算机视觉的算法，用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。

此算法由 David Lowe 在1999年所发表，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。此算法有其专利，专利拥有者为 英属哥伦比亚大学。

局部影像特征的描述与侦测可以帮助辨识物体，SIFT 特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。 对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显着而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用 SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。

(2 ) Matlab代码主要功能函数如下： match.m：测试程序

功能：该函数读入两幅（灰度）图像，找出各自的 SIFT 特征, 并显示两连接两幅图像中被匹配的特征点（关键特征点（the matched keypoints）直线（将对应特征点进行连接）。判断匹配的准则是匹配距离小于distRatio倍于下一个最近匹配的距离（ A match is accepted only if its distance is less than distRatio times the distance to the second closest match. 该程序返回显示的匹配对的数量。（ It returns the number of matches displayed.） 调用实例： match('desk.jpg','book.jpg');

( 假如，想测试一个含有一本书的桌面的图像 和一本书的图像之间特征匹配） 调用方法和参数描述：略。 注意：（1）图像为灰度图像，如果是彩色图像，应该在调用前利用rgb2gray转换为灰度图像。

（2）参数distRatio 为控制匹配点数量的系数，这里取 0.6，该参数决定了匹配点的数量，在Match.m文件中调整该参数，获得最合适的匹配点数量。 sift.m :尺度不变特征变换（SIFT算法）的核心算法程序

功能：该函数读入灰度图像，返回SIFT 特征关键点（ SIFT keypoints.） 调用方法和参数描述：

调用方式：[image, descriptors, locs] = sift(imageFile) 输入参数（ Input parameters）:

imageFile: 图像文件名.

输出或返回参数（ Returned）:

image: 是具有double format格式的图像矩阵

descriptors: 一个 K-by-128 的矩阵x, 其中每行是针对找到的K个关键特征点（the K keypoints）的不变量描述子. 这个描述子（descriptor）是一个拥有128个数值并归一化为单位长度向量.

locs: 是K-by-4 矩阵, 其中的每一行具有四个数值，表示关键点位置信息 (在图像中的行坐标，列坐标（row, column) ，注意，一般图像的左上角为坐标原点）, 尺度scale，高斯尺度空间的参数，其中该参数也决定了frame(结构）确定的图像disk的大小, 最后一个参数是方向orientation). 方向参数的范围是[-PI, PI] 单位为弧度.

appendimages.m: 该函数创建一个新的图像分别包含两个匹配的图像和他们之间

的匹配对的连接直线. (3) 实际案例执行结果：

程序代码使用matlab和c混合编程。用matlab打开文件中的sift_match.m文件，并执行。如下图所示：

4. matlab中怎么调用vlfeat中的kd-tree 算法进行匹配

matlab中怎么调用vlfeat中的kd-tree 算法进行匹配
clear all;
%二进制数字序列
x=[1 0 0 1 0 1 1 0 1 1];
grid=200;%每个码元持续的时间
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('正弦载波波形')
subplot(2,2,3)
plot(t,c2t,'r'),title('余弦载波波形')
subplot(2,2,2)
plot(t,y,'r'),title('数字序列波形')
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输出波形')

5. matlab实现SIFT特征点检测及配准

sift是一种提取特征点的算法，可以用matlab编程实现，但没有现成的语句，得自己写程序。另外还有很多提取特征的算法，sift是其中比较好的一种。

6. matlab 匹配追踪工具箱为什么没有chirp原子

匹配追踪最早是时频分析的分析工具，目的是要将一已知讯号拆解成由许多被称作为原子讯号的加权总和，而且企图找到与原来讯号最接近的解。
其中原子讯号为一极大的原子库中的元素。

7. 求会km算法，且会使用matlab算出最优匹配的大神帮忙，最好懂编程的

KM算法：其实感觉它的最基本得思想就是逐渐接近最优匹配，每次向最有匹配迈出最小的一步，直到达到最优为止（到最后，sigma(lx[i]+ly[i])刚好等于最优匹配值）

算法开始，初始化LX[I]为等点I的最大的边的权值，LY[I]初始为0，在这个时候如果各个定点所对应得最大权值得边终点刚刚没有重合的话，显然，目前的匹配状况既是最优的。

算法进行的过程中不断的更新顶标（LX[I],LY[I]）的值来进行匹配。

每次寻找增广路径，找到的话继续寻找下一个点，找不到的话更改目前的顶标值，由于（sigma(lx[i]+ly[i])）是最优匹配的估计值，如果找不到当前节点的匹配的话，说明目前的最优匹配的估计值不能实现，需要调整，而KM算法的核心就是如何实现一个有效同时又正确的调整的方法。

以最小的调整逐渐靠近答案是必须的，其次就是需要知道要调整哪些顶标，首先，调整不能破坏目前的匹配状况（因为匹配是在寻找增广路径中实现的）

8. 题目内容： 利用C++或者Matlab实现一种运动目标跟踪方法。主要涉及到运动目标的特征计算、预测和匹配。

不是C + +，它是很难捕捉到的视频帧，一般监控摄像机的SDK支持C + +

9. matlab图像匹配问题

function Icorr=imcorr(a,b)
% function corr=imcorr(a,b)
%计算图像a与子模式b的相关响应，并提示最大的响应位置
%
%impute：a-原始图像
% b-子图像
%
%output: Icorr-响应图像

[m,n]=size(a);
[m0,n0]=size(b);
Icorr=zeros(m-m0+1,n-n0+1);%为响应图像分配空间
vecB=double(b(:)); %按列存储为向量
normB=norm(vecB); %模式图像对应向量的模
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); %计算当前位置的相关
end
end
%找到最大响应位置
[iMaxRes,jMaxRes]=find(Icorr==max(Icorr(:)));
figure;imshow(a);
hold on
for ii=1:length(iMaxRes)
plot(jMaxRes(ii),iMaxRes(ii),'*'); %绘制最大响应点
%用矩形框标记出匹配区域
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模板匹配的源代码

10. 稀疏度为1的信号，用压缩感知恢复原始信号，匹配追踪算法（MP）和正交匹配追踪算法（OMP）的结果一样吗

压缩感知(Compressed Sensing, CS)[1]理论具有全新的信号获取和处理方式，该理论解决了传统的Nyquist方法采样频率较高的问题,大大降低了稀疏信号精确重构所需的采样频率。
另外，CS理论在数据采集的同时完成数据压缩,从而节约了软、硬件资源及处理时间。
这些突出优点使其在信号处理领域有着广阔的应用前景！