運動捕捉演算法

『壹』 動作捕捉是什麼

動作捕捉技術是一種記錄並處理人或其他物體在三維空間中的動作的技術，它可以廣泛應用於虛擬現實、游戲、醫療、娛樂等多個領域。動作捕捉技術可以利用不同的外部設備來對人體結構的位移進行數據記錄和姿態還原。動作捕捉技術可以使數字模型的動作更加真實和流暢，也可以捕捉面部或手指的細微動作，這被稱為表演捕捉。

動作捕捉技術的原理主要是利用外部設備來對人體結構或其他物體的位移進行數據記錄和姿態還原，這些設備可以分為光學、慣性、機械等不同類型，它們各有優缺點和適用范圍。

• 光學動作捕捉系統是利用攝像機或其他光學設備來記錄被捕捉對象上附著的標記點或特徵點的位置和運動，然數賣後通過計算機視覺演算法來重建三維姿態。光學動作捕捉系統通常利用紅外光和反游標識點，可以分為標定和非標定兩種：標定的系統需要在被捕捉對象上貼上反光或發光的小球，非標定的系統則可以直接識別人體或物體的自然特徵。光學動作捕捉系統的優點是精度高、延遲低、不受電磁干擾，缺點是成本高、設備復雜、空間受限、易受環境光影響。

• 慣性動作捕捉系統是利用慣性感測器（如加速度計、陀螺儀等）來測量被捕捉對象上各個部位的加速度和角速度，然後通過積分運算來計算出位置和姿態。慣性動作捕捉系統不需要外部設備或參考物，因此可以在任何環境下使用，且具有較高的靈活性和便攜性。慣性動作捕捉系統的優點是成本低、設備簡單、空間不受限，缺點是精度較低、延遲較高、冊氏易受累積誤差和溫漂影響。

• 機械動作捕捉系統是利用機械裝置（如關節臂或外骨骼等）來連接被捕捉對象的各個關節，然後通過測量裝置上的角度或長度變化來計算州畢散出位置和姿態。機械動作捕捉系統不受環境光或電磁干擾的影響，且具有較高的精度和實時性。機械動作捕捉系統的優點是成本相對低、設備相對簡單、精度較高、延遲較低，缺點是空間受限、靈活性差、易受機械摩擦和磨損影響 。

『貳』 動作捕捉技術的原理是什麼

從技術的角度來說，運動捕捉的實質就是要測量、跟蹤、記錄物體在三維空間中的運動軌跡。像虛擬動點是利用紅外光學運動捕捉技術，是國內動捕技術比較成熟的公司，他們的動捕技術可以捕捉的范圍很大，精度也高。

『叄』 目標跟蹤檢測演算法（一）——傳統方法

姓名：劉帆；學號：20021210609；學院：電子工程學院

https://blog.csdn.net/qq_34919792/article/details/89893214

【嵌牛導讀】目標跟蹤演算法研究難點與挑戰在於實際復雜的應用環境 、背景相似干擾、光照條件的變化、遮擋等外界因素以及目標姿態變化，外觀變形，尺度變化、平面外旋轉、平面內旋轉、出視野、快速運動和運動模糊等。而且當目標跟蹤演算法投入實際應用時，不可避免的一個問題——實時性問題也是非常的重要。正是有了這些問題，才使得演算法研究充滿著難點和挑戰。

【嵌牛鼻子】目標跟蹤演算法，傳統演算法

【嵌牛提問】利用目標跟蹤檢測演算法要達到何目的?第一階段的單目標追蹤演算法包括什麼?具體步驟有哪些?它們有何特點?

【嵌牛正文】

第一階段

目標跟蹤分為兩個部分，一個是對指定目標尋找可以跟蹤的特徵，常用的有顏色，輪廓，特徵點，軌跡等，另一個是對目標特徵進行跟蹤。

1、靜態背景

1）背景差： 對背景的光照變化、雜訊干擾以及周期性運動等進行建模。通過當前幀減去背景圖來捕獲運動物體的過程。

2）幀差： 由於場景中的目標在運動，目標的影像在不同圖像幀中的位置不同。該類演算法對時間上連續的兩幀或三幀圖像進行差分運算，不同幀對應的像素點相減，判斷灰度差的絕對值，當絕對值超過一定閾值時，即可判斷為運動目標，從而實現目標的檢測功能。

與二幀差分法不同的是，三幀差分法（交並運算）去除了重影現象，可以檢測出較為完整的物體。幀間差分法的原理簡單，計算量小，能夠快速檢測出場景中的運動目標。但幀間差分法檢測的目標不完整，內部含有「空洞」，這是因為運動目標在相鄰幀之間的位置變化緩慢，目標內部在不同幀圖像中相重疊的部分很難檢測出來。幀間差分法通常不單獨用在目標檢測中，往往與其它的檢測演算法結合使用。

3）Codebook

演算法為圖像中每一個像素點建立一個碼本，每個碼本可以包括多個碼元（對應閾值范圍），在學習階段，對當前像素點進行匹配，如果該像素值在某個碼元的學習閾值內，也就是說與之前出現過的某種歷史情況偏離不大，則認為該像素點符合背景特徵，需要更新對應點的學習閾值和檢測閾值。

如果新來的像素值與每個碼元都不匹配，則可能是由於動態背景導致，這種情況下，我們需要為其建立一個新的碼元。每個像素點通過對應多個碼元，來適應復雜的動態背景。

在應用時，每隔一段時間選擇K幀通過更新演算法建立CodeBook背景模型，並且刪除超過一段時間未使用的碼元。

4）GMM

混合高斯模型（Gaussian of Micture Models，GMM）是較常用的背景去除方法之一（其他的還有均值法、中值法、滑動平均濾波等）。

首先我們需要了解單核高斯濾波的演算法步驟：

混合高斯建模GMM（Gaussian Mixture Model）作為單核高斯背景建模的擴展，是目前使用最廣泛的一種方法，GMM將背景模型描述為多個分布，每個像素的R、G、B三個通道像素值的變化分別由一個混合高斯模型分布來刻畫，符合其中一個分布模型的像素即為背景像素。作為最常用的一種背景建模方法，GMM有很多改進版本，比如利用紋理復雜度來更新差分閾值，通過像素變化的劇烈程度來動態調整學習率等。

5）ViBe（2011）

ViBe演算法主要特點是隨機背景更新策略，這和GMM有很大不同。其步驟和GMM類似。具體的思想就是為每個像素點存儲了一個樣本集，樣本集中采樣值就是該像素點過去的像素值和其鄰居點的像素值，然後將每一個新的像素值和樣本集進行比較來判斷是否屬於背景點。

其中pt（x）為新幀的像素值，R為設定值，p1、p2、p3….為樣本集中的像素值，以pt（x）為圓心R為半徑的圓被認為成一個集，當樣本集與此集的交集大於設定的閾值#min時，可認為此為背景像素點（交集越大，表示新像素點與樣本集越相關）。我們可以通過改變#min的值與R的值來改變模型的靈敏度。

Step1：初始化單幀圖像中每個像素點的背景模型。假設每一個像素和其鄰域像素的像素值在空域上有相似的分布。基於這種假設，每一個像素模型都可以用其鄰域中的像素來表示。為了保證背景模型符合統計學規律，鄰域的范圍要足夠大。當輸入第一幀圖像時，即t=0時，像素的背景模型。其中，NG（x,y）表示空域上相鄰的像素值，f(xi,yi)表示當前點的像素值。在N次的初始化的過程中，NG（x,y）中的像素點(xi,yi)被選中的可能次數為L=1,2,3,…,N。

Step2：對後續的圖像序列進行前景目標分割操作。當t=k時，像素點(x,y)的背景模型為BKm(x,y)，像素值為fk(x,y)。按照下面判斷該像素值是否為前景。這里上標r是隨機選的；T是預先設置好的閾值。當fk(x,y)滿足符合背景#N次時，我們認為像素點fk(x,y)為背景，否則為前景。

Step3：ViBe演算法的更新在時間和空間上都具有隨機性。每一個背景點有1/ φ的概率去更新自己的模型樣本值，同時也有1/ φ的概率去更新它的鄰居點的模型樣本值。更新鄰居的樣本值利用了像素值的空間傳播特性，背景模型逐漸向外擴散，這也有利於Ghost區域的更快的識別。同時當前景點計數達到臨界值時將其變為背景，並有1/ φ的概率去更新自己的模型樣本值（為了減少緩慢移動物體的影響和攝像機的抖動）。

可以有如下總結，ViBe中的每一個像素點在更新的時候都有一個時間和空間上隨機影響的范圍，這個范圍很小，大概3x3的樣子，這個是考慮到攝像頭抖動時會有坐標的輕微來回變化，這樣雖然由於ViBe的判別方式仍認為是背景點，但是也會對後面的判別產生影響，為了保證空間的連續性，隨機更新減少了這個影響。而在樣本值保留在樣本集中的概率隨著時間的增大而變小，這就保證了像素模型在時間上面的延續特性。

6）光流

光流是由物體或相機的運動引起的圖像對象在兩個連續幀之間的視在運動模式。它是2D矢量場，其中每個矢量是一個位移矢量，顯示點從第一幀到第二幀的移動。

光流實際上是一種特徵點跟蹤方法，其計算的為向量，基於三點假設：

1、場景中目標的像素在幀間運動時亮度（像素值或其衍生值）不發生變化；2、幀間位移不能太大；3、同一表面上的鄰近點都在做相同的運動；

光流跟蹤過程：1）對一個連續視頻幀序列進行處理；2）對每一幀進行前景目標檢測；3）對某一幀出現的前景目標，找出具有代表性的特徵點（Harris角點）；4）對於前後幀做像素值比較，尋找上一幀在當前幀中的最佳位置，從而得到前景目標在當前幀中的位置信息；5）重復上述步驟，即可實現目標跟蹤

2、運動場（分為相機固定，但是視角變化和相機是運動的）

1）運動建模（如視覺里程計運動模型、速度運動模型等）

運動學是對進行剛性位移的相機進行構型，一般通過6個變數來描述，3個直角坐標，3個歐拉角（橫滾、俯仰、偏航）。

Ⅰ、對相機的運動建模

由於這個不是我們本次所要討論的重點，但是在《概率機器人》一書中提出了很多很好的方法，相機的運動需要對圖像內的像素做位移矩陣和旋轉矩陣的坐標換算。除了對相機建立傳統的速度運動模型外，也可以用視覺里程計等通關過置信度的更新來得到概率最大位置。

Ⅱ、對於跟蹤目標的運動建模

該方法需要提前通過先驗知識知道所跟蹤的目標對象是什麼，比如車輛、行人、人臉等。通過對要跟蹤的目標進行建模，然後再利用該模型來進行實際的跟蹤。該方法必須提前知道要跟蹤的目標對象是什麼，然後再去跟蹤指定的目標，這是它的局限性，因而其推廣性相對比較差。（比如已知跟蹤的物體是羽毛球，那很容易通過前幾幀的取點，來建立整個羽毛球運動的拋物線模型）

2）核心搜索演算法（常見的預測演算法有Kalman(卡爾曼)濾波、擴展卡爾曼濾波、粒子濾波）

Ⅰ、Kalman 濾波

Kalman濾波器是通過前一狀態預測當前狀態，並使用當前觀測狀態進行校正，從而保證輸出狀態平穩變化，可有效抵抗觀測誤差。因此在運動目標跟蹤中也被廣泛使用。

在視頻處理的運動目標跟蹤里，每個目標的狀態可表示為(x,y,w,h)，x和y表示目標位置，w和h表示目標寬高。一般地認為目標的寬高是不變的，而其運動速度是勻速，那麼目標的狀態向量就應該擴展為(x,y,w,h,dx,dy)，其中dx和dy是目標當前時刻的速度。通過kalman濾波器來估計每個時刻目標狀態的大致過程為：

對視頻進行運動目標檢測，通過簡單匹配方法來給出目標的第一個和第二個狀態，從第三個狀態開始，就先使用kalman濾波器預測出當前狀態，再用當前幀圖像的檢測結果作為觀測值輸入給kalman濾波器，得到的校正結果就被認為是目標在當前幀的真實狀態。(其中，Zt為測量值，為預測值，ut為控制量，Kt為增益。)

Ⅱ、擴展卡爾曼濾波（EKF）和無跡卡爾曼濾波（UKF）

由於卡爾曼濾波的假設為線性問題，無法直接用在非線性問題上，EKF和UKF解決了這個問題（這個線性問題體現在用測量量來計算預測量的過程中）。EKF是通過構建線性函數g(x)，與非線性函數相切，並對每一時刻所求得的g（x）做KF，如下圖所示。

UKF與EKF去求解雅可比矩陣擬合線性方程的方法不同，通過對那個先驗分布中的採集點，來線性化隨機變數的非線性函數。與EKF所用的方法不同，UKF產生的高斯分布和實際高斯分布更加接近，其引起的近似誤差也更小。

Ⅲ、粒子濾波

1、初始狀態：基於粒子濾波的目標追蹤方法是一種生成式跟蹤方法，所以要有一個初始化的階段。對於第一幀圖像，人工標定出待檢測的目標，對該目標區域提出特徵；

2、搜索階段：現在已經知道了目標的特徵，然後就在目標的周圍撒點(particle), 如：a)均勻的撒點;b)按高斯分布撒點，就是近的地方撒得多，遠的地方撒的少。論文里使用的是後一種方法。每一個粒子都計算所在區域內的顏色直方圖，如初始化提取特徵一樣，然後對所有的相似度進行歸一化。文中相似性使用的是巴氏距離；

3、重采樣：根據粒子權重對粒子進行篩選，篩選過程中，既要大量保留權重大的粒子，又要有一小部分權重小的粒子；

4、狀態轉移：將重采樣後的粒子帶入狀態轉移方程得到新的預測粒子；

5、測量及更新：對目標點特徵化，並計算各個粒子和目標間的巴氏距離，更新粒子的權重；

6、決策階段：每個粒子都獲得一個和目標的相似度，相似度越高，目標在該范圍出現的可能性越高，將保留的所有粒子通過相似度加權後的結果作為目標可能的位置。

3）Meanshift演算法

MeanShift演算法屬於核密度估計法，它不需要任何先驗知識而完全依靠特徵空間中樣本點的計算其密度函數值。對於一組采樣數據，直方圖法通常把數據的值域分成若干相等的區間，數據按區間分成若干組，每組數據的個數與總參數個數的比率就是每個單元的概率值；核密度估計法的原理相似於直方圖法，只是多了一個用於平滑數據的核函數。採用核函數估計法，在采樣充分的情況下，能夠漸進地收斂於任意的密度函數，即可以對服從任何分布的數據進行密度估計。

Meanshift演算法步驟

1、通過對初始點（或者上一幀的目標點）為圓心，繪制一個半徑為R的圓心，尋找特徵和該點相似的點所構成的向量；

2、所有向量相加，可以獲得一個向量疊加，這個向量指向特徵點多的方向；

3、取步驟二的向量終點為初始點重復步驟一、二，直到得到的向量小於一定的閾值，也就是說明當前位置是特徵點密度最密集的地方，停止迭代，認為該點為當前幀的目標點；

4）Camshift演算法

Camshift演算法是MeanShift演算法的改進，稱為連續自適應的MeanShift演算法。Camshift 是由Meanshift 推導而來 Meanshift主要是用在單張影像上，但是獨立一張影像分析對追蹤而言並無意義，Camshift 就是利用MeanShift的方法，對影像串列進行分析。

1、首先在影像串列中選擇目標區域。

2、計算此區域的顏色直方圖（特徵提取）。

3、用MeanShift演演算法來收斂欲追蹤的區域。

4、通過目標點的位置和向量信息計算新的窗口大小，並標示之。

5、以此為參數重復步驟三、四。

Camshift 關鍵就在於當目標的大小發生改變的時候，此演算法可以自適應調整目標區域繼續跟蹤。

3、小結

第一階段的單目標追蹤演算法基本上都是傳統方法，計算量小，在嵌入式等設備中落地較多，opencv中也預留了大量的介面。通過上面的兩節的介紹，我們不難發現，目標檢測演算法的步驟分為兩部分，一部分是對指定目標尋找可以跟蹤的特徵，常用的有顏色，輪廓，特徵點，軌跡等，另一部分是對目標特徵進行跟蹤，如上文所提及的方法。所以目標檢測方法的發展，也可總結為兩個方面，一個是如何去獲得更加具有區分性的可跟蹤的穩定特徵，另一個是如何建立幀與幀之間的數據關聯，保證跟蹤目標是正確的。

隨著以概率為基礎的卡爾曼濾波、粒子濾波或是以Meanshift為代表向量疊加方法在目標檢測的運用，使得目標檢測不再需要假設自身的一個狀態為靜止的，而是可以是運動的，更加符合復雜場景中的目標跟蹤。

『肆』 運動捕捉的聲學式

常用的聲學式運動捕捉裝置由發送器、接收器和處理單元組成。發送器是固定的超聲波發生器；接收器一般由呈三角形排列的3個超聲探頭組成。將多個發送器固定在人身侍舉體的各個部位，發送器持續發出超聲波，每個接收器通過測量、計算聲波從發送器到接收器的時間，3個構成三角形的接收器就可以確定發送器的位置和方向。由於聲波的速度與溫度有散大關，還必須有測溫裝置，並在算沖談豎法中作出相應的補償。
這類裝置成本較低，但對運動的捕捉有較大的延時和滯後，精度差，還要求聲源和接收器之間不能有遮擋，且受雜訊等干擾較大，系統擴展困難。
全自由式運動捕捉系統Stage 精度相對較低
系統價格昂貴

『伍』 模式識別中有什麼方法可以快速捕捉到物體的運動

這個應該是計算機視覺而不是模式識別。這個問題可以分為兩個層次，第一是靜態背景還是動態背景，第二是定性的運動目標檢測，即只要運動就檢測，還是定量的運動檢測，即只有具有某種特殊運動模式的運動目標才會被檢測出來。
常規的計算機視覺運動檢測方法有背景差，幀間差和光流法三種。如果背景是動態的話，這三種都不好用，需要對背景運動進行分析，如果是攝像機運動引起的背景相對運動，可以用塊匹配或攝像機運動估計的方法加以去除，如果是背景本身的運動，比如浮動的雲，被風吹過的草地等等，則需要對背景運動的模式進行識別，這就要引入模式識別的概念了，就是把不同的運動狀態看作模式的體現，進行分類與識別。當然還有一種比較簡單的去除背景自身運動的方法，就是在普通的背景差或幀間差的基礎上，進行圖像形態學處理，根據運動區域的大小和形狀，去除面積過小，形狀或位置特殊的區域。飢核不過這種方法不是自適應的，慶肢毀也不是學習譽備的，是要演算法設計者通過人際交互的方式定製參數或選擇。

作者：耳東陳
鏈接：https://www.hu.com/question/19815310/answer/13422305
來源：知乎
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請註明出處。

『陸』 動作捕捉技術是什麼原理

從技術的角度來說，運動捕捉的實質就是要測量、跟蹤、記錄物體在三維空間中的運動軌跡。典型的運動捕捉設備一般由以下幾個部分組成：
· 感測器。所謂感測器是固定在運動物體特定部位的跟蹤裝置，它將向 Motion capture 系統提供運動物體運動的位置信息，一般會隨著捕捉的細致程度確定跟蹤器的數目。
· 信號捕捉設備。這種設備會因 Motion capture 系統的類型不同而有所區別，它們負責位置信號的捕捉。對於機械繫統來說是一塊捕捉電信號的線路板，對於光學 Motion capture 系統則是高解析度紅外攝像機。
· 數據傳輸設備。 Motion capture 系統，特別是需要實時效果的 Motion capture 系統需要將大量的運動數據從信號捕捉設備快速准確地傳輸到計算機系統進行處理，而數據傳輸設備就是用來完成此項工作的。
· 數據處理設備。經過 Motion capture 系統捕捉到的數據需要修正、處理後還要有三維模型向結合才能完成計算機動畫製作的工作，這就需要我們應用數據處理軟體或硬體來完成此項工作。軟體也好硬體也罷它們都是藉助計算機對數據高速的運算能力來完成數據的處理，使三維模型真正、自然地運動起來。

『柒』 想知道動作捕捉設備是怎麼獲取運動軌跡數據實現運動控制的求講解！

實時三維空間數據的採集測量分析，在光學動捕系統設備中，採用得比較多的是Nokov的動作捕捉系統，通過光學鏡頭捕捉待測物體表面的反游標記點，實時獲取物體運動數據，並進行進一步運動控制，Nokov光學動作捕捉系統廣泛運用於虛擬模擬、運動分析、步態康復、模擬訓練、機械仿生、機器人、無人機、人機交互、軍事軍工、外科整形、虛擬現實、電影動畫、游戲製作等領域，對目標實行精度高的三維定位，而且生動流暢，所以在三維動作捕捉上精準度高，穩定性強。我們公司使用比較後感覺其技枝讓李術水平已經達到國際水平，性價比相當的好。
我們公司一直猛遲在做這方面的開發，運動捕捉設備實現仿人機器人的運動控制主要是獲取人體動作數據，採集目標人體的運動信息，光學的動作捕滑差捉系統是目前精度最高的設備了。在這個領域技術上，國內比較先進的就是Nokov，這款產品可以採集6DoF（採集六自由度）、關節角度等運動學數據，為機器人的位姿控制、運動規劃提供連貫、流暢的動作數據基礎。

『捌』 運動跟蹤的運動捕捉的原理

從技術的角度來說,運動捕捉的實質就是要測量,跟蹤,記錄物體在三維空間中的運動軌跡.典型的運動捕捉設備一般由以下幾個部分組成(見圖1):
2.2.1感測器.所謂感測器是固定在運動物體特定部位的跟蹤裝置,它將向系統提供運動物體運動的位置信息,一般會隨著捕脊手叢捉的細致程度確定跟蹤器的數目.
2.2.2信號捕捉設備.負責捕捉,識別感測器的信號.負責將運動數據從信號捕捉設備快速准確地傳送到計算櫻櫻機系統.這種設備會因系統的類型不同而有所區別,它們負責位置信號的捕捉.對於機械繫統來說是一塊捕捉電信號的線路板,對於光學系統則是高解析度紅外攝像機.
2.2.3數據傳輸設備.特別是需要實時效果的系統需要將大量的運動數據從信號捕捉設備快速准確地傳輸到計薯卜算機系統進行處理,而數據傳輸設備就是用來完成此項工作的.
2.2.4數據處理設備.經過系統捕捉到的數據需要修正,處理後還要有三維模型向結合才能完成計算機動畫製作的工作,這就需要我們應用數據處理軟體或硬體來完成此項工作.軟體也好硬體也罷它們都是藉助計算機對數據高速的運算能力來完成數據的處理,使三維模型真正,自然地運動起來.所以它是負責處理系統捕捉到的原始信號,計算感測器的運動軌跡,對數據進行修正,處理,並與三維角色模型相結合.

『玖』 動作捕捉 Motion Capture (Mocap)

動銀棚作捕捉技術是一種記錄並處理人或其他物體在三維空間中的動作的技術。動作捕捉技術的歷史可以追溯到20世紀初，當時一些科學家和藝術家開始使用攝影機來記錄人或動物的運動。隨著計算機圖形學和感測器技術的發展，動作捕捉技術逐漸成為電影、游戲、虛擬現實等領域中創造逼真角色和場景的重要手段。動作捕捉技術的原理主要是利槐喚用外部設備來對人體結構或其他物體的位移進行數據記錄和姿態還原，這些設備可以分為光學、慣性、機械等不同類型，它們各有優缺點和適用范圍。動作捕捉技術的應用非常廣泛，除了娛樂領域外，還可以用於醫療、教育、軍事、運動等方面，例如分析人體姿勢、診斷疾病、模擬訓練、提高運動表現等。動作捕捉技術的發展趨勢是向更高精度、更低成鋒明則本、更易操作和更多樣化方向發展，例如利用深度學習等人工智慧方法來優化數據處理和生成效果，或者利用智能手機等移動設備來實現攜帶型和低成本的動作捕捉。

『拾』 計算機視覺中，目前有哪些經典的目標跟蹤演算法

第一章介紹運動的分類、計算機視覺領域中運動分析模型、計算機視覺領域運動檢測和目標跟蹤技術研究現狀、計算機視覺領域中運動分析技術的難點等內容；
第二章介紹傳統的運動檢測和目標跟蹤演算法，包括背景差分法、幀間差分法、光流場評估演算法等；
第三章介紹具有周期性運動特徵的低速目標運動檢測和跟蹤演算法，並以CCD測量系統為例介紹該演算法的應用；
第四章介紹高速運動目標識別和跟蹤演算法，並以激光通信十信標光捕獲和跟蹤系統為例介紹該演算法的應用；
第五章介紹具有復雜背景的目標運動檢測過程中採用的光流場演算法，包括正規化相關的特性及其改進光流場評估演算法，並介紹改進光流場演算法的具體應用；
第六章介紹互補投票法實現可信賴運動向量估計。