Frank's 資訊科技潮流站

影片的轉場分析可以從幾種方法做出來

最簡單的方法之一就是分析整體亮度的變化

這種方法究竟有沒有效

就讓我們來分析 Windows 7 內建的 wildlife.wmv

Haar Feature-based Cascade Classifier是由Paul Viola提出，並且由Rainer Lienhar加強。

首先，一個分類器(Haar Feature-based Cascade Classifier)是由數百個相同物件的正樣本來做訓練(例如臉部或車)，並且將它們縮小成特定大小，例如20x20。另外也訓練負樣本，負樣本則使用任意影像即可。

在分類器被訓練之後，它便可以被使用在和被訓練樣本相同大小的ROI上。當一個區域可能出現該物件時，分類器輸出1，否則輸出0。如果要搜尋整張圖裡面的所有物件，則要讓分類器以搜尋視窗(Search Window)搜尋整張圖。該分類器是經過特殊設計，因此他可以很容易的被縮放來尋找大小不一的目標物件，這比單純縮放目標影像有效的多。因此，欲尋找影像中未知大小的物件，則要以不同的大小去搜尋該影像多次。

該分類器之所以被稱為「階層式(Cascade)」，是因為該分類器包含了數個較為簡單的分類器，我們稱之為關卡。當候選物件通過層層關卡的過濾，我們便認定其為目標物件。而之所以被稱為「推進(Boosting)」，是因為每一個關卡中又使用了基於不同權重投票(Weighted voting)來設計的基本分類器(basic classifiers)。

目前這些基本分類器，是具有至少兩個葉子(leaves)的決策樹(decision tree)。而Haar-like feature做為這些基本分類器的輸入值，而以OpenCV為例，其使用的Haar-like feature如下圖：

主要介紹幾個方法 順便備忘

Template Matching
給予一系列的同類型物件，於辨識時，將每一個Frame和這些同類物件做Template Matching，主要是用Correlation的方式來辨識，當一個區域的Correlation大到一定的門檻值，我們即假設該部分是我們所要偵測的物件。OpenCV有Template Matching相關的Function。使用這個方法的優點是簡便，但缺點是計算量過大，恐怕不適合Real-time的應用。

在電腦視覺上有一個比較麻煩的問題是，

我們常常用背景相減法，

但是這兩張背景不能有位移，否則減下去就出問題。

是以有必要探討如何在相機晃動的情況下，抓到的背景都是一樣的。

外部參數

Extrinsic Parameter

以3x4矩陣描述相機的位置(position)與擺設方向(orientation)。(上式還缺Translation)

主要是描述相對位置，通常是一個旋轉矩陣(Rotation Matrix)。

這是前一陣子遠傳電信的廣告，
一定很多人搞不清楚，「手機也能拜拜」到底是

真的假的？讓我們來看看！

上一篇介紹的手機擴增實境，可以幫我們找到附近地區的資訊。

Android系統，因為搭載了數位相機，

加上可以隨處帶著走的特性，

又因為他支援GPS，且內建Google Maps

使廠商不僅可以在上面開發導航軟體