设机器人的移动速度为U。,由于只有二维运动,故:R=(o00) T=(0U0 cos(p Uo sin(p)2代入等式(8.19),有 Uo(sin+f cos(p +o(f (8.20) 由于F在光轴上,故而其投影座标为(0,0),光流也为零,于是: U coso JOF= 而对于景物点S,有: Uo(sin+f coop) + fo 记β=/OF,并且设U0≠0,则 f+yuan 由基本的几何关系有: 0= ta f(1-阝) (8.21) cOS Dcose (8.22
设机器人的移动速度为 U0 ，由于只有二维运动，故： R T = (w 0 0) ， T U U T = (0 cos sin ) 0 j 0 j 代入等式(8.19)，有： v U y f Z f y f = - + + - 0 2 ( sin cos ) ( ) j j w (8.20) 由于F在光轴上，故而其投影座标为(0,0) ，光流也为零，于是： | | cos OF U = 0 j w 而对于景物点S，有： | | ( sin cos ) r U y f v f y f = + - + - 0 2 j j w w 记b =|r|/|OF|，并且设U0 ¹ 0 ，则： b j w = + - + f y f v y f tan 2 由基本的几何关系有： q b b = - - tan ( ) 1 1 y f (8.21) L D = 1- b q j cos cos (8.22)
8.1.3主动跟踪 近年来主动跟踪方法受到了高度的重视,一些主动跟踪方法如 Snake技术、变形模板等技 术被广泛用于模型匹配、边缘跟踪等方面。我们这里重点讨论变形模板方法及其在人脸面部部 件检测中的应用。 在视觉系统中提取具有逻辑意义的边界特征是非常重要的,实际上这类边界可以是相当复 杂的,一些简单的技术往往难以胜任,变形模板就是可以用于这类研究的技术之一。 在计算杋视觉研究中模板匹配是一种相当经典的技术。其基本的形式是采用相关计算。这 种方法对于某些领域是相当有效的,但却具有很多缺点,例如当物体存在变形或光照条件发生 变化时,这种经典的方法常常会失败,因此需要一种技术能够克服上述困难。变形模板就是 种试图解决这类问题的方法。 变形模板由下列三个要素构成 参数化的几何模型,在这个模型中应包括参数的先验概率,这个模型对应几何测量的 配准程度; 成象模型,这个模型用于表明变形模板将如何进行形变; 匹配算法,用于将几何和成象模型与图象相匹配
8.1.3 主动跟踪 近年来主动跟踪方法受到了高度的重视，一些主动跟踪方法如Snake技术、变形模板等技 术被广泛用于模型匹配、边缘跟踪等方面。我们这里重点讨论变形模板方法及其在人脸面部部 件检测中的应用。 在视觉系统中提取具有逻辑意义的边界特征是非常重要的，实际上这类边界可以是相当复 杂的，一些简单的技术往往难以胜任，变形模板就是可以用于这类研究的技术之一。 在计算机视觉研究中模板匹配是一种相当经典的技术。其基本的形式是采用相关计算。这 种方法对于某些领域是相当有效的，但却具有很多缺点，例如当物体存在变形或光照条件发生 变化时，这种经典的方法常常会失败，因此需要一种技术能够克服上述困难。变形模板就是一 种试图解决这类问题的方法。 变形模板由下列三个要素构成： · 参数化的几何模型，在这个模型中应包括参数的先验概率，这个模型对应几何测量的 配准程度； · 成象模型，这个模型用于表明变形模板将如何进行形变； · 匹配算法，用于将几何和成象模型与图象相匹配
将上述模型用概率的方式进行描述就是如下的关系 假定对应模板参麴的模板T(g)的先验概率为P(g),成象模型P(IT(g)给定 了从模板T(g)产生图象的概率,这样一来可以用P(lT(g)P(g)来合成特征,同 时通过Baye规则得到匹配的程度度量为: P(T(9)0-P(IT(g)P((g) P() (8.23) 这样,变形模板问题归结为arg{maxP(7(g))}。 8.1.4.1通过变形模板提取面部特征 面部特征提取是一个具有相当挑战性的问题,其原因在于面部的灰度阶跃很 少即使是对于眼睛或嘴也是如此,因此一般的边缘检测算法常常难以奏效。相比 之下面部灰度的峰谷特征及其相对位置关系却稳定得多。采用变形模板进行面部 特征提取通常会取得较好的效果,我们下面以眼睛和嘴巴特征的提取说明变形模 板的应用
将上述模型用概率的方式进行描述就是如下的关系： 假定对应模板参数g 的模板T(g)的先验概率为P(g) ，成象模型P(I|T(g)) 给定 了从模板T(g)产生图象I 的概率，这样一来可以用P(I|T(g))P(g) 来合成特征，同 时通过Bayes规则得到匹配的程度度量为： P T g I P I T g P T g P I ( ( )| ) ( | ( )) ( ( )) ( ) = (8.23) 这样，变形模板问题归结为arg{max ( ( )| )} g P T g I 。 8.1.4.1 通过变形模板提取面部特征 面部特征提取是一个具有相当挑战性的问题，其原因在于面部的灰度阶跃很 少即使是对于眼睛或嘴也是如此，因此一般的边缘检测算法常常难以奏效。相比 之下面部灰度的峰谷特征及其相对位置关系却稳定得多。采用变形模板进行面部 特征提取通常会取得较好的效果，我们下面以眼睛和嘴巴特征的提取说明变形模 板的应用