2D图形编程

开发平台：
Visual C++

acrobat_Trans5.txt：源码内容
							图 4: 使用一个被追踪的物体产生一个粗糙的位置
模型。 左边的图像表示一个背景图像,一
图像包含一个感人的物体，被吸取的 mov-
ing 物体和现在的粗糙深度地图, 由于在-
紧张入码距离。 正确的图像表示那
nal 结果,藉由背景图像,深度地图
而且被映射在深度地图之上的图像质地。
一个感人的物体, 而且我们计算高度
在上面使用方法的那一个物体。 藉由使用我们的 es-
土地的飞机和那被计算的高度 timate,
我们能估计对物体的距离。 这 al-
低温我们推论位置的部分在
照相机中心和被观察的物体一定是
不封闭, 因此我们能雕刻出那部分
位置模型当做自由隔开。 当我们继续
为了要追踪这一个物体,其他自由空间的部分是
清扫。 此外,当物体变成 oc 的时候-
cluded, 这放较低的范围在距离上到
位置的封闭部分, 而且如此允许我们
概略地阻塞出空间的部分。 自从～后我们
知道土地的飞机,我们能放置这些障碍进入
在那一个飞机上的世界坐标。 图 4 举例说明
为户内的监听一个例子。
5 使用追踪者分类
我们能收集这些块进入一之内更完全的
系统。 我们使用追踪者观察感人的物体,
每个体格一组有关的叁数录音
为每个发现了物体,举例来说,位置,方向
运动，速度，大小，高度, 方面比每个
连接了区域。 我们现在正在跑 sys-
tem 在真正的时间中在 SGI O2 上,处理 7 四分之一
构成秒。 我们经常地跑我们的系统直达的
因为好几个星期的期数,记录轨道模仿
在每个里面观察了照相机。 图 8 每小时地举例说明
轨道的数据解析为一台照相机模仿。
5.1 分类物体
我们能使用这些轨道式样分类通常的
活动模仿。 首先，个体追踪物体能
classi 是 ed 进入一般的班级之内, 基于观察
0.020.040.060.080.10.120.14
0.5
1
1.5
2
2.5
3
3.5
4
4.5
图 5: 散播之物追踪的物体情节,计画翻译意谓
方面比 (x 轴) 和大小 (y 轴) 比较. 圆周是
车辆,十字架是行人。 标准的群-
ing 运算法则能容易地分开这二个班级。
数据。 举例来说, 方面比那追踪
物体能用来识别汽车，卡车和 peo-
ple。 这 identi 阳离子被使用更进一步提高
世界大小数据, 基于口径测定
系统。 这允许我们分类被追踪的个体
物体, 和收集关于活动的统计学在那
位置，举例来说，计算行人或车辆的数字
在 di 观察erent 日子的时代。
在gure 5,一个 10个微小的片段被分析。 电子伏-
进入了这现场的 ery 物体 {在总数中,33辆汽车
而且 34个人 {被追踪。 系统正确地
classi ed 每辆汽车除了在一情况之外, 哪里它 classi-
ed 如相同的物体二辆汽车因为二辆汽车
同时地在一样的进入而且离开现场
点。 资讯科技在二情况只发现一个人哪里
二个人哪里实际的连络步行。 资讯科技也
因为他们有，所以加倍计算了 2个物体暧昧的
交互作用为太久维持他们的身份。
5.2 分类行动
移动物体的轨道也能习惯于
分类活动。 藉由聚集在 ba 上的轨道-
通常属性的 sis,我们能自动地推论
车辆 tra 的小路c, 和徒步的路径,和
我们能自动地使有相互关系体积的如此 trac
藉由日子的时候。 我们使用运动进入的方式-
分类活动的形成是相似的在精神中到
[3], 虽然我们 di一些主要细节的 er。
一经我们已经吸取群表现 com-
活动的 mon 式样, 我们能开端我们的系统看
对于不寻常的事件。 这些是露宿者在那聚集
分配。 一个一件如此事件的例子是 illus-
图 2 的 trated, 一辆卡车最近已经越过
一条徒步的小路到达一个载入码头。 资讯科技是轨道
identi 容易地是 ed 在比较低的正确角落中当做一在外-
lier 在这一个区域中与正常的活动相较式样,
而且如此被为调查作记号。 其他的例子
5

						