cvGoodFeaturesToTrack,http://blog.youkuaiyun.com/moc062066/article/details/6634120,

cvFindCornerSubPix ,http://blog.youkuaiyun.com/moc062066/article/details/6634961

// 金字塔Lucas-Kanade.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include <cv.h>
#include <highgui.h>
#include <cxcore.h>


const int MAX_CORNERS = 500;
int _tmain(int argc, _TCHAR* argv[])
{
	IplImage* imgA = cvLoadImage("D:\\Project\\图片的缩放\\金字塔Lucas-Kanade\\706.jpg",0);
	IplImage* imgB = cvLoadImage("D:\\Project\\图片的缩放\\金字塔Lucas-Kanade\\712.jpg",0);
	CvSize img_sz=cvGetSize(imgA);
	int win_size=10;
	IplImage* imgC=cvLoadImage("D:\\Project\\图片的缩放\\金字塔Lucas-Kanade\\709.jpg");

	IplImage* eig_image = cvCreateImage(img_sz,IPL_DEPTH_32F,1);
	IplImage* tmp_image = cvCreateImage(img_sz,IPL_DEPTH_32F,1);

	int corner_count =MAX_CORNERS;
	CvPoint2D32f* cornersA = new CvPoint2D32f[MAX_CORNERS];

	cvGoodFeaturesToTrack(imgA,eig_image,tmp_image,cornersA,&corner_count,0.01,5.0,0,3,0,0.04);

	cvFindCornerSubPix(imgA,cornersA,corner_count,cvSize(win_size,win_size),cvSize(-1,-1),
		cvTermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS,20,0.03));

	char features_found[MAX_CORNERS];
	float features_errors[MAX_CORNERS];

	CvSize pyr_sz = cvSize(imgA->width+8,imgB->height/3);

	IplImage* pyrA = cvCreateImage(pyr_sz,IPL_DEPTH_32F,1);
	IplImage* pyrB = cvCreateImage(pyr_sz,IPL_DEPTH_32F,1);

	CvPoint2D32f* cornersB = new CvPoint2D32f[MAX_CORNERS];

	cvCalcOpticalFlowPyrLK(imgA,imgB,pyrA,pyrB,cornersA,cornersB,
		corner_count,cvSize(win_size,win_size),5,features_found,features_errors,
		cvTermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS,20,0.03),0);

	for (int i=0;i<corner_count;i++)
	{
		if (features_found[i]==0||features_found[i]>550)
		{
			printf("error is %f/n",features_errors[i]);
			continue;
		}
		printf("Got it/n");
		CvPoint p0=cvPoint(cvRound(cornersA[i].x),cvRound(cornersA[i].y));

		CvPoint p1=cvPoint(cvRound(cornersB[i].x),cvRound(cornersB[i].y));

		cvLine(imgC,p0,p1,CV_RGB(255,0,0),2);
	}

	cvNamedWindow("ImageA",0);
	cvNamedWindow("ImageB",0);
	cvNamedWindow("LKpyr_OpticalFlow",0);
	cvShowImage("imageA",imgA);
	cvShowImage("imageB",imgB);
	cvShowImage("LKpyr_OpticalFlow",imgC);

	cvWaitKey(0);

	return 0;
}


内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合Koopman算子理论与递归神经网络(RNN)的数据驱动建模方法,旨在对非线性纳米定位系统进行有效线性化建模,并实现高精度的模型预测控制(MPC)。该方法利用Koopman算子将非线性系统映射到高维线性空间,通过递归神经网络学习系统的动态演化规律,构建可解释性强、计算效率高的线性化模型,进而提升预测控制在复杂不确定性环境下的鲁棒性与跟踪精度。文中给出了完整的Matlab代码实现,涵盖数据预处理、网络训练、模型验证与MPC控制器设计等环节,具有较强的基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)可复现性和工程应用价值。; 适合人群:具备一定控制理论基础和Matlab编程能力的研究生、科研人员及自动化、精密仪器、机器人等方向的工程技术人员。; 使用场景及目标:①解决高精度纳米定位系统中非线性动态响应带来的控制难题;②实现复杂机电系统的数据驱动建模与预测控制一体化设计;③为非线性系统控制提供一种可替代传统机理建模的有效工具。; 阅读建议:建议结合提供的Matlab代码逐模块分析实现流程,重点关注Koopman观测矩阵构造、RNN网络结构设计与MPC控制器耦合机制,同时可通过替换实际系统数据进行迁移验证,深化对数据驱动控制方法的理解与应用能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值