Читать реферат по информационному обеспечению, программированию: "Картографирование при помощи монокулярной камеры" Страница 5

(Назад) (Cкачать работу)

Внутренние параметры камеры определяют условия формирования изображения и позволяют связать пространственную информацию с изображениями через матрицу калибровки. Матрица калибровки K состоит из фокусного расстояния в каждой оси(fx и fy) и положение оптического центра на изображении (u0 и v0), такие как показано в уравнение 2.1:

Эта модель камеры также имеет параметры положения и ориентация камеры в среде, и они, как правило, определены с помощью матрицы вращения-перемещения (RT) 3x4, такую, как в формуле (2.2).

Другой способ заключается в преобразовании 3D-точки (X, Z) в абсолютных координатах (x, z) в координаты относительно камеры (формула 2.3), а затем выполнить проекцию с использованием матрицы K, при условии, что z отличается от 0 (формула 2.4).

Фильтр Кальманом (KF) - это вероятностный алгоритм, разработанный Рудольфом Кальманом, он позволяет оценить состояние динамической системы из наблюдений, которые могут содержать шум. KF может применяться только с линейными системами с несколькими измерениями если эти условия соблюдены, фильтр может предложить оценку состояния системы и меру неопределенности с которой была проведена оценка.

Фильтры Кальмана основаны на динамических системах, дискретизированных во времени. Состояние системы является N-мерной переменной xt. Кроме того, наблюдение за системой в каждой итерации является переменной zt, которая зависит только от xt. Чтобы использовать KF, необходимо указать ряд параметров (массивов) для адаптирования его к проблеме:

Ft: Модель перехода состояния.

Ht: Модель наблюдения.

Qt: Ковариация шума процесса.

Rt: Ковариация шума наблюдения.

Фильтр Кальмана предполагает, что фактическое состояние xt развивается в (t-1) с помощью уравнений 2.5:

Ft является моделью перехода состояния, который применяется к предыдущему состоянию xt-1 и wt шум процесса с ковариацией Qt.

Кроме того, предполагается, что ZT-наблюдение в итерации t фактического состояния xt выполняется в соответствии с формулой 2.6:

где Ht - модель наблюдения, которая преобразует пространство состояния в пространство наблюдения, в то время как vt представляет шум наблюдения с Ковариацией Rt. KF является рекурсивным оценщиком, то есть используется только для оценки состояния предыдущей итерации и текущего наблюдения, независимо от предыдущего состояния.

Вектор состояния xt следует Гауссовскому распределению Nˆxt с массивом ковариация P. В свою очередь, вектор наблюдения, который имеет ковариационную матрицу S.

Оценка состояния на каждой итерации выполняется в два этапа: первый шаг известен как " предсказание” и отвечает за предсказание состояния и его ковариации, в то время как второй шаг известен как "обновление", где используется наблюдение для уточнения расчетного состояния.

Модели Маркова являются вероятностными алгоритмами, которые сохраняют дискретное рабочее пространство FDP со всеми возможными решениями.

Похожие работы