
카메라 모델이 위와 같다고 할 때 image plane을 z축에 대해 원점 대칭이동시켜서 아래와 같이 생각할 수 있다.이때 원래 image plane의 좌표 상하좌우가 뒤집힌 상태이다.실제 세상의 좌표 (x,y,z)가 image plane에 (u', v')으로 투영된다

흰색은 모든 볼 수있는 주파수로 구성됨(400-700)사람이 볼 수 있는 빛은 400nm(blue) ~ 700nm(red)자외선과 x선은 매우 짧은 파장을 가짐적외선과 전파는 긴 파장을 가짐색공간에는 다양한 종류가 있다.RGBHVS(HIS)GRAYBINARYNRG밝기

Boostrapping 학습 샘플을 Z라고 할 때, Z로부터 중복을 허용하여 N개의 샘플을 반복적으로 뽑는다. 샘플의 각 세트에대해 통계적 파라미터를 추정. 각 분류기의 성능을 평가. Bagging For i=1~B: Z에서 중복 허용해 N개의 샘플을 뽑음.
feature를 추출병렬 구조의 학습기scaling학습을 할때 24x24 서브 윈도우 이미지가 들어오면 haar-like feature로 feature를 생성하게 된다. Haar-like feature에는 4가지의 기본 커널이 있는데, kernel value(1x1),
이전에 본 feature는 총 약 16만개 였다. 이렇게 많은 feature를 오버피팅 없이 몇 백개의 훈련 샘플만을 가지고 분류기를 학습할 수 있게하는 것이 AdaBoost이다. 그리고 Viola-Jones 알고리즘에서는 AdaBoost 분류기 여러개를 병렬 구
카메라 캘리브레이션은 카메라 변수로 부터 시작된다. 다시 식을 적어보자면, 이미지에 투영된 점의 동차좌표(Homogeneous coordinate)를 $\tilde U$라고 하고 현실의 동차 좌표를 $\tilde {x_w}$라고 하면 다음과 같은 수식을 적을 수 있다

K-d 트리는 K-dimensional tree로 K 차원 공간에서 데이터를 partitioning 하는 기법. 모든 노드가 K차원 데이터를 가짐. non-leaf 노드는 공간을 반으로 나누는 hyperplane을 생성. 트리 아래로 내려가면서 차원을 순환. (ex.
센서로부터 센싱한 포인트 클라우드 데이터가 있고, 원하는 물체의 모델 데이터가 있을 때, 포인트 클라우드 데이터로 부터 물체의 위치, 방향을 찾는 과정.입력: 포인트클라우드 쌍 (P, Q), (P: 모델, Q: 가진 데이터)출력: Q를 P로 정렬하는 transforma

Algorithm > 입력: 포인트클라우드 쌍 (P, Q), (P: 모델, Q: 가진 데이터) > > 출력: Q를 P로 정렬하는 transformation T Gauss-Newton Method Least Square 최소 제곱법(Least Square)은 훈련