代写Computer Vision编程、代做Java/Python程序设计

Homework 7
Computer Vision, Spring 2024
Due Date: April 26, 2024
Total Points: 20
This    homework    contains    two    programming    challenges.    All    submissions    ar...

Homework 7
Computer Vision, Spring 2024
Due Date: April 26, 2024
Total Points: 20
This    homework    contains    two    programming    challenges.    All    submissions    are    due    at    
midnight    on    April    26,    2024,    and    should    be    submitted    according    to    the    instructions    
in    the    document    “Guidelines    for    Programming    Assignments.pdf”.    
runHw7.py will    be    your    main    interface    for    executing    and    testing    your    code.    
Parameters    for    the    different    programs    or    unit    tests    can    also    be    set    in    that    file.    
Before    submission,    make    sure    you    can    run    all    your    programs    with    the    command    
python runHw7.py with    no    errors.
The    numpy package is    optimized    for    operations    involving    matrices    and    
vectors.    Avoid    using    loops    (e.g.,    for,    while)    whenever    possible—looping    can    
result    in    long    running    code.    Instead,    you    should    “vectorize”    loops    to    optimize    
your    code    for    performance.    In    many    cases,    vectorization    also    results    in    more    
compact    code    (fewer    lines    to    write!).
Challenge    1: In    this    challenge    you    are    asked    to    develop    an    optical    flow    system.    You    
are    given    a    sequence    of    6    images    (flow1.png    – flow6.png)    of    a    dynamic    scene.    Your    
task    is    to    develop    an    algorithm    that    computers    optical    flow    estimates    at    each    image    
point    using    the    5    pairs    (1&2,    2&3,    3&4,    4&5,    5&6)    of    consecutive    images.
Optical    flow    estimates    can    be    computed    using    the    optical    flow    constraint    equation    
and    Lucas-Kanade    solution    presented    in    class.    For    smooth    motions,    this    algorithm    
should    produce    robust    flow    estimates.    However,    given    that    the    six    images    were    
taken    with    fairly    large    time    intervals    in    between    consecutive    images,    the    brightness    
and    temporal    derivatives    used    by    the    algorithm    are    expected    to    be    unreliable.    
Therefore,    you    are    advised    to    implement    a    different    (and    simpler)    optical    flow    
algorithm.    Given    two    consecutive    images    (say    1    and    2),    establish    correspondences    
between    points    in    the    two    images    using    template    matching.    For    each    image    point    in    
the    first    image,    take    a    small    window    (say    7x7)    around    the    point    and    use    it    as    the    
template    to    find    the    same    point    in    the    second    image.    While    searching    for    the    
corresponding    point    in    the    second    image,    you    can    confine    the    search    to    a    small    
window    around    the    pixel    in    the    second    image    that    has    the    same    coordinates    as    the    
2
one    in    the    first    image.    The    center    of    the    7x7    image    window    in    the    second    image    that    
is    maximally    correlated    with    the    7x7    window    in    the    first    image    is    assumed    to    be    the    
corresponding    point.    The    vector    between    two    corresponding    points    is    the    optical    
flow    (u,v).
Write    a    program    computeFlow that    computes    optical    flow    between    two    gray-level    
images,    and    produces    the    optical    flow    vector    field    as    a    “needle    map”    of    a    given    
resolution,    overlaid    on    the    first    of    the    two    images.    
result = computeFlow(img1, img2, win_radius, template_radius,
grid_MN)
You    need    to    choose    a    value    for    the    grid    spacing    that    gives    good    results    without    
taking    excessively    long    to    compute.    (6 points)
For    debugging    purposes    use    the    test    case    in    debug1a.    In    this    synthetic    case,    the    flow    
field    consists    of    horizontal    vectors    of    the    same    magnitude    (translational    motion    
parallel    to    the    image    plane).    Note    that    in    the    real    case,    foreshortening    effects,    
occlusions,    and    reflectance    variations    (as    well    as    noise)    complicate    the    result.    
(2    point)
Challenge    2: Your    task    is    to    develop    a    vision    system    that    tracks    the    location    of    an    
object    across    video    frames.    Object    tracking    is    a    challenging    problem    since    an    
object’s    appearance,    pose    and    scale    tend    to    change    as    time    progresses.    In    class    we    
have    discussed    three    popular    tracking    methods:    template-based tracking,    
histogram-based tracking    and    detection-based tracking.    In    this    challenge,    we    will    
assume    the    color    distribution    of    an    object    stays    relatively    constant    over    time.    
Therefore,    we    will    track    an    object    using    its    color    histogram.
A    color    histogram    describes    the    color    distribution    of    a    color    image.    The    color    
histogram    that    you    will    need    to    compute    is    defined    as    follows.    Each    bin    of    the    color    
histogram    represents    a    range    of    colors,    and    the    number    of    votes    in    each    bin    
indicates    the    number    of    pixels    that    have    the    colors    within    the    corresponding    color    
range.    
Be    careful,    in    the    initialization    of    your    program,    you    should    generate    a    color    map    
from    the    region of    interest (ROI),    and    compute    all    subsequent    color    histograms    
based    on    the    same color    map.    It    is    only    meaningful    to    compare    two    histograms    
computed    based    on    the    same    color    map. Use    the    provided    function    chooseTarget
to    drag    a    rectangle around    a    tracking    target.
3
Write    a    program    named    trackingTester that    estimates    the    location    of    an    object    in    
video    frames.    
trackingTester(data_params, tracking_params)
trackingTester should    draw    a    box    around    the    target    in    each    video    frame,    and    
save    all    the    annotated    video    frames    as    PNGs    into    a    subfolder    given    in    
data_params.out_dir.    
After    generating    the    annotated    video    frames,    use    the    provided    function    
generateVideo to    create    a    video    file    containing    all    the    frames.
(12    points)
Include    all    the    code    you    have    written,    as    well    as    the    resulting    video    files,    but    
DO    NOT    include    the    three    tracking    datasets    and    the    individual    output    frames    
in    your    submission.

请加QQ：99515681  邮箱：99515681@qq.com   WX：codinghelp