計算機視覺 角度轉換模型VTM

多角度步態檢測問題解決的方法通常有三類：利用多攝像機系統建立3d模型；提取與角度無關的步態特徵；角度轉換模型。

角度轉換模型（view transformation model）最基礎的是利用奇異值分解（singular value decomposition, svd），將特徵矩陣分解為與角度無關的向量，與物件無關的向量，以及特徵值。再利用提取出來的與物件無關的向量將特徵從當前角度轉換到對應角度。模型整體流程如下：

首先利用多個物件在不同角度下的特徵構造特徵矩陣，之後對矩陣進行奇異值分解。

其中，其中，

即通過向量p，可通過物件m任意角度 i 的特徵得到角度 j 下的特徵。

主要是用到了svd，就直接用matlab寫的**，再把得到的p存下來。

[sk,sm,sna]=size(v_m_features);

v_t_m_tmp = reshape(v_m_features,sk*sm,sna);
v_t_m = reshape(v_t_m_tmp', sk*sna,sm);
[u,s,v]=svd(v_t_m,'econ');
%[u,s,v]=svd(v_t_m);
p=u*s;
[spm,spn]=size(p);
v_t_p=zeros(sna,spn,sk);
v_t_p_ij=zeros(sna,sna,sk*sk);
for ki=1:sk
for ii=1:sna
nai=(ki-1)*sna+ii;
v_t_p(ii,:,ki)=p(nai,:);
endendfor i=1:sk
for j=1:sk
ij=(i-1)*sk+j;
v_t_pj=pinv(v_t_p(:,:,j));
v_t_p_ij(:,:,ij)= v_t_p(:,:,i)*v_t_pj;
endend

計算機視覺 角度轉換模型VTM

多角度步態檢測問題解決的方法通常有三類 利用多攝像機系統建立3d模型 提取與角度無關的步態特徵 角度轉換模型。角度轉換模型 view transformation model 最基礎的是利用奇異值分解 singular value decomposition,svd 將特徵矩陣分解為與角度無關的向量...

計算機視覺 回歸模型

本文仍然是基於computer vision models,learning,and inference這本書的閱讀筆記與心得。雖然看的雲裡霧裡的，但不寫下來恐怕很快一點都不記得了。看的過程還是很吃力，感覺自己在學機器學習與概率論，在公式中掙扎。本章講的是機器學習兩大問題之一的回歸模型，討論的主要是...

計算機視覺 生成模型

給定訓練集，產生與訓練集同分布的新樣本。希望學到乙個模型，其與訓練樣本的分布相近。無監督學習裡的乙個核心問題 密度估計問題。典型思路 利用鏈式準則將影象x的生成概率轉變為每個畫素生成概率的乘積。缺點是 畫素的生成是序列的進行訓練，生成整張的效率太慢了。二者的優點 似然函式可以精確計算 利用似然函式的...