2、基于ccGMM的目标识别与基于边界图的对手动作预测

基于ccGMM的目标识别与基于边界图的对手动作预测

在机器人足球领域，目标识别和对手动作预测是两个重要的研究方向。目标识别有助于机器人准确感知场上的各种元素，而对手动作预测则能让机器人提前做好应对准备，提升团队的竞技能力。下面将分别介绍基于ccGMM的目标识别方法和基于边界图的对手动作预测方法。

基于ccGMM的目标识别

ccGMM（Class Conditional Gaussian Mixture Model）是一种用于实时目标识别的统计学习方法，结合了无监督和有监督学习的特点，在不同光照条件和低分辨率图像下表现出较好的鲁棒性。

算法原理

• 似然比检验 ：定义似然比 $\lambda = \frac{L(\Sigma_{r0})}{L(\Sigma_{r1})}$，通过对数变换得到 $-2 \log \lambda = 2{\log L(\Sigma_{r1}) - \log L(\Sigma_{r0})}$。当该式左边足够大时，拒绝原假设 $H_0$。不断让 $r_1 = r_0 + 1$ 进行检验，直到对数似然停止增加。
• 算法概述 ：由于SPL中物体的许多误报具有共同特征，且感兴趣的物体可能以不同的方向和尺度出现，训练好的ccGMM会保留两个长度相同的高斯混合模型列表，分别表示真阳性和假阳性。通过不同的统计方法估计最佳组件数量，然后使用网格搜索算法进行确认。

训练算法

X_train, Y_train, X_test,