Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống
1
/ 25 trang
THÔNG TIN TÀI LIỆU
Thông tin cơ bản
Định dạng
Số trang
25
Dung lượng
463,88 KB
Nội dung
-1M U Tớnh cp thit ca ti Hin nay, vi vic trin khai mng thụng tin th h sau, nhiu ng dng mi i nh truyn tớn hiu video trờn cỏc phng tin thụng tin di ng, a mụi trng Nõng cao hiu qu s dng ti nguyờn bng tn ca cỏc phng tin ú l bi toỏn phi nộn tớn hiu video hiu qu nht Vỡ vy, ti ny l mt ch cp thit cho vic ng dng truyn video trờn cỏc mng vin thụng a mụi trng th h mi Mc tiờu nghiờn cu Tỡm cỏc thut toỏn hp lý c lng chuyn ng ca nh video cho d tớnh toỏn, m bo bỏm chuyn ng ca nh mt cỏch tt nht - Nghiờn cu xut ng dng thut toỏn c lng chuyn ng khụng gian nhiu chiu vi nghim c lng chuyn ng ti u, bỏm tt - Tng hiu qu s dng bng tn truyn dn bng cỏc thut toỏn khụng cn s dng tớn hiu o to - Thut toỏn c lng lm vic n nh iu kin kờnh cú nhiu i tng, phm vi v phng phỏp nghiờn cu Lun ỏn nghiờn cu cỏc phng phỏp nộn video s, ng dng truyn video mng thụng tin di ng th h mi õy l mt phm vi rng, bao gm: lng t húa, c lng chuyn ng ca nh, mó húa - gii mó Lun ỏn trung vo vic nghiờn cu cỏc thut toỏn c lng chuyn ng ca nh, phõn tớch cỏc kt qu nghiờn cu chuyn ng nh ó cú trc õy; nghiờn cu cỏc thut toỏn c lng v mt toỏn hc t ú tỡm thut toỏn c lng hp lý t mc tiờu T phõn tớch toỏn hc, lun ỏn dựng cụng c mụ phng kim chng -2í ngha khoa hc v thc tin ca ti í ngha khoa hc: Lm phong phỳ hn v lý lun c lng chuyn ng ca nh bng thut toỏn lp, ú l: - Dựng thut toỏn Kalman: õy l phng phỏp lp, s dng khụng gian nhiu chiu v ch nghim ti u ca c lng chuyn ng - Dựng thut toỏn mự: õy l phng phỏp lp, khụng cn s dng tham chiu trc m ch cn mi tng quan gia hai khung nh l c lng c chuyn ng ca nh í ngha thc tin: M kh nng tớnh toỏn mi c lng nh nhanh hn, cú bỏm chuyn ng tt hn, trỏnh c nhng thụng tin d tha bỏm chuyn ng khụng tt gõy Ni dung ca lun ỏn M u: Gii thiu bi toỏn v phng phỏp nghiờn cu Chng - Tng quan v nộn video: Gii thiu vai trũ, v trớ, yờu cu, mụ hỡnh h thng v mt s k thut nộn video Chng - Tng quan v c lng chuyn ng ca nh: õy l chng a nhng kin thc c bn v c lng chuyn ng ca nh, nhng thut toỏn hin cú, ỏnh giỏ u im v nhc im ca nhng thut toỏn hin cú Chng - c lng chuyn ng bng cỏc gii phỏp mi: xut ỏp dng nhng thut toỏn mi cho vic c lng chuyn ng ca nh, ú l thut toỏn Kalman v thut toỏn mự Chng - Mt s kt qu tớnh toỏn s: Trỡnh by mt s kt qu mụ phng t ú a nhn xột, so sỏnh hiu nng gia phng phỏp Bayes v phng phỏp Kalman Kt lun v kin ngh: Nờu lờn cỏc kt qu ó t c ca lun ỏn v ch cỏc hng nghiờn cu tip theo -3CHNG TNG QUAN V NẫN VIDEO 1.1 Gii thiu truyn c cỏc chng trỡnh video trờn cỏc h thng thụng tin di ng, mt bi toỏn t l phi nộn hỡnh nh tit kim bng tn truyn dn m m bo cht lng hỡnh nh Trong hon cnh mng NGN v di ng th h sau tip tc ũi hi phi hon thin hn cỏc thut toỏn nộn - gii nộn tớn hiu video vi mc ớch lm cho cht lng hỡnh nh tt hn, s dng bng tn truyn dn hiu qu hn 1.2 d tớn hiu video, nhu cu cn thit nộn video 1.2.1 d tớn hiu video Mc ny trỡnh by v d tớn hiu video, gm: d thng kờ ca nh ( d khụng gian, d thi gian, d mó) v d kh nng nhỡn thy Vic nhn bit d tớn hiu video v tỡm kim gii phỏp loi b d ú chớnh l nộn d liu 1.2.2 Nhu cu cn thit nộn video Nhng thnh tu t c cụng ngh in t - vin thụng tin hc ó to iu kin phỏt trin cỏc k thut truyn video ỏp ng nhu cu ngy cng tng cỏc ng dng cuc sng hng ngy nh in thoi video, hi ngh video, truyn hỡnh phõn gii cao lm c iu ú, cn thit phi nộn video 1.3 Khỏi nim v nộn video Mc ny trỡnh by khỏi quỏt v: Khỏi nim v nộn video, mụ hỡnh, chc nng c bn, c im ca cỏc phn t h thng nộn video Hỡnh 1.5 ch mụ hỡnh nộn video tng quỏt 1.4 Yờu cu v ng dng nộn video, mt s k thut nộn video 1.4.1 Yờu cu v ng dng nộn video Mc ny trỡnh by mt s yờu cu v ng dng nộn video, gm: Cỏc c tớnh video, yờu cu truyn dn, cỏc c tớnh v hiu nng ca h thng nộn, yờu cu v t l mộo v yờu cu v tiờu chun -4- Ik + Li d oỏn E k B toỏn t khụng gian (T) - B mó húa di bin i (VLC) B lng t (Q) D oỏn Pk B lng t nghch o -1 (Q ) Ngoi khung-M Trong khung-úng ^ I^k-m v Ek-n Nộn chuyn ng B nh khung tr Ik c lng chuyn ng B toỏn t khụng gian o (T -1 ) Cỏc vộct chuyn ng Ike hoc Eke Chuyn ngoi khung c mó húa hoc Li d oỏn khung c mó húa v Vộct chuyn ng B mó húa di bin i (VLC) MVk Hỡnh 1.5 H thng nộn video tng quỏt 1.4.2 Mt s k thut nộn video Mc ny trỡnh by mt s k thut nộn video c bn, bao gm: - Mó entropy v mó d oỏn: L mó tip cn entropy ca ngun; DPCM s dng mụ hỡnh ngun Markov c dựng cỏc chun MPEG-1 v H.261 Tuy nhiờn, b mó hoỏ ny tng i phc tp; VLC c dựng kt hp vi DPCM gim tc bit - Mó chuyn i bng bin i DCT: Gúi hu ht nng lng tớn hiu gc vo mt s ớt cỏc h s bin i, b qua h s cha ớt hoc khụng cha nng lng Cú u im l IDCT khụng to bt k s giỏn on rừ nột no cỏc rỡa khi; cỏc bin i ri rc to nờn tớn hiu c tỏi cu trỳc cú chu k; nhc im l tớnh toỏn ch yu trờn gii tớch c in, khỏ phc - Bự v c lng chuyn ng: Da vo nn tnh v s chuyn ng ca cỏc nh gn Nu nn khụng thay i gia hai khung thỡ hiu ca chỳng bng v hai khung cú th c mó hoỏ thnh mt Cỏc vt th chuyn ng cú th c phỏt hin bng cỏch phi hp vt th cn cnh gia hai khung -5CHNG TNG QUAN V C LNG CHUYN NG CA NH 2.1 Gii thiu c lng chuyn ng l quỏ trỡnh quan trng vic mụ t, phõn tớch dóy nh, bỏm mc tiờu v mó húa video Vic mụ t v ng dng cú nhng yờu cu khỏc nhau, ú phi s dng cỏc phng phỏp c lng chuyn ng khỏc Chng ca lun ỏn trung vo vic nghiờn cu cỏc phng phỏp c lng chuyn ng video v so sỏnh cỏc phng phỏp ú, t ú nh hng cho cỏc gii phỏp mi c xut chng ca lun ỏn 2.2 c lng chuyn ng v cỏc phng phỏp c lng chuyn ng 2.2.1 c lng chuyn ng c lng chuyn ng l mt b phn cu thnh bi toỏn mó hoỏ nộn video Trong c lng chuyn ng, im s=[h, v]T khung hin ti thi im t s liờn quan n mt im khung tham chiu trc ú thi im t-t: f t (s) ft t (s x(s)) (2.1) Mc ớch ca c lng chuyn ng l i tỡm vộct chuyn ng x(s)=[xh(s), xv(s)]T Chỳ ý rng x(s) khụng nht thit phi l vộct chuyn ng ton im Nh vy, phng phỏp c lng chuyn ng cú th cn phi truy cp cỏc giỏ tr cng ti cỏc v trớ khụng ly mu khung tham chiu Phng phỏp ni suy song tuyn tớnh thng c s dng vỡ nú dung hũa tt gia cht lng ni suy v phc tớnh toỏn [47] Nú c nh ngha nh sau: f (h, v) (1 h f )(1 v f ) f (hi , vi ) h f (1 v f ) f (hi 1, vi ) (2.3) (1 h f )v f f (hi , vi 1) h f v f f (hi 1, vi 1) ú (hi,vi) v (hf,vf) tng ng l cỏc phn nguyờn v phn phõn ca cỏc ta im (h,v) -6Cỏc mụ hỡnh tt nh v xỏc sut Trong mụ hỡnh tt nh, chuyn ng c xem l mt i lng tt nh cha bit Bng cỏch cc i xỏc sut ca dóy video quan sỏt c theo s chuyn ng cha bit cú th c lng c i lng tt nh ny Cụng thc c lng tng ng thng c xem l bi toỏn ML Trong mụ hỡnh xỏc sut, chuyn ng c xem l mt bin ngu nhiờn Tp cỏc vộct chuyn ng to thnh trng ngu nhiờn Trng ny thng c mụ hỡnh hoỏ bng trng ngu nhiờn Markov (MRF) Vic c lng chuyn ng cú th c cụng thc hoỏ bng bi toỏn MAP Cỏc mụ hỡnh tham s v phi tham s Trong mụ hỡnh tham s, chuyn ng c biu th bng mt cỏc tham s chuyn ng Nh vy, bi toỏn c lng chuyn ng tr thnh bi toỏn c lng cỏc tham s chuyn ng Vi mụ hỡnh tham s, rng buc lm theo ỳng quy tc bi toỏn c lng chuyn ng gi nh sai c a vo mụ hỡnh chuyn ng mt cỏch y Trong mụ hỡnh phi tham s, s rng buc rừ rng (vớ d: tớnh trn tru ca trng chuyn ng) c a vo lm theo ỳng quy tc bi toỏn gi nh sai v c lng chuyn ng Vựng h tr Vựng h tr l mt cỏc im m mụ hỡnh chuyn ng ỏp dng Vựng h tr cú th ln nh mt khung hoc nh nh mt im, cú th cú kớch thc c nh hoc thay i v cú th cú hỡnh dng cõn i hoc hỡnh dng tựy ý 2.2.2 Cỏc phng phỏp c lng chuyn ng Mc ny gii thiu mt s phng phỏp c lng chuyn ng thng c s dng, a nhn xột nhng u im v nhc im ca tng phng phỏp, bao gm: - Cỏc phng phỏp vi phõn: Da vo mi quan h gia cỏc bin i v khụng gian v thi gian ca cng Cỏc phng phỏp ny chp nhn mt s gi thit hn ch l vộct chuyn ng x phi nh, -7trỏi li thỡ nghim ca bi toỏn s kộm chớnh xỏc v nhy cm i vi nhiu - Cỏc phng phỏp hi quy im: Da vo s ti thiu theo gradient lp i lp li ca li d oỏn c lng ph thuc nhiu vo gradient khụng gian Cỏc phng phỏp ny phi chn c bc iu khin phự hp dung ho gia tc hi t v chớnh xỏc c lng Cú th d hi t n cỏc im ti u cc b b mt li Vựng cú cng ớt thay i, cỏc giỏn on trng chuyn ng v nhng dch chuyn ln l khụng th x lý hiu qu - Cỏc phng phỏp tn s: Da trờn thuc tớnh khai trin Fourier, dch chuyn tnh tin khụng gian tng ng vi dch pha tuyn tớnh tn s Phng phỏp tng quan pha cú mt s tớnh cht c bit: phc tớnh toỏn nh, c bit s dng FFT; khụng nhy cm vi nhng thay i sỏng - Cỏc phng phỏp phi hp khi: Da vo vic chia khung nh thnh cỏc v c lng chuyn ng cho tng Tu vo vic la chn hm phi hp (nh NCCF, SSD, SAD) m cú hiu qu khỏc So sỏnh v cht lng d oỏn thỡ: SSD SAD NCCF So sỏnh v phc tớnh toỏn thỡ SAD cú phc tớnh toỏn thp nht bi vỡ nú khụng ũi hi cú phộp nhõn - Cỏc phng phỏp lp truyn thng: u thuc h thut toỏn dc, da trờn toỏn t gradient ú cũn hn ch l tc hi t chm, bỏm thay i ca hỡnh nh khụng cao; n nh khụng cao v cn cú giỏ tr tham chiu so sỏnh -8CHNG C LNG CHUYN NG BNG CC GII PHP MI 3.1 Gii thiu Trong chng 3, lun ỏn xut nhng gii phỏp c lng mi v c phõn thnh hai loi chớnh l: - c lng chuyn ng ca nh bng thut toỏn Kalman: Mc tiờu t c l s dng u th ca thut toỏn Kalman l lp v cú bỏm chuyn ng tt hn so vi cỏc phng phỏp gradient ng thi phỏt huy c u th ca thut toỏn Bayes l xột c im t nhiờn ca dóy nh - c lng chuyn ng ca nh bng cỏc thut toỏn mự: Mc tiờu t c l gii quyt bi toỏn khụng cn cỏc thụng tin hun luyn thut toỏn nh ũi hi cỏc phng phỏp gradient nhm nõng cao s dng bng tn truyn dn v m rng cho trng hp nhiu lon bt k 3.2 c lng chuyn ng bng Kalman 3.2.1 t bi toỏn Trong [4] ó gi thit: z biu din khung ca mt dóy nh ti thi im t Trng chuyn ng x1 biu th lch gia z1 v z2 cho mi pixel ti cỏc thi im t1, t2 tng ng Trng phõn vựng z bao gm mt s nhón ti mi pixel, mi nhón biu th mt mc tiờu chuyn ng: xn n (n 1, 2, , N ) cho mi v trớ ca pixel trờn li ; N l tng s mc tiờu chuyn ng Mc tiờu bi toỏn l c lng s chuyn ng x vi cỏc giỏ tr z ó cho [10], [29] Trong nghiờn cu ny, lun ỏn gi thit: a) Tp cỏc giỏ tr o z1 , z2 , , zk ký hiu bng vộct z l cỏc giỏ tr bit trc b) Mi quan h vt lý gia trng thỏi t nhiờn s c c lng v cỏc giỏ tr o c biu th bng quan h: (3.1) z g (x, v) Thc t mi quan h gia z v dch chuyn x l tuyn tớnh: -9(3.2) z Hx v ú z l vộct o (kì1), x l vộct trng thỏi (nì1) v v l vộct nhiu (qì1) c) Hm mt phõn b xỏc sut ng thi p(x,v) v hm mt biờn tng ng p(x,) v p(v) d) Hm mt xỏc sut ca nhiu v trng thỏi l c lp: (3.3) p(x, v) p(x) p( v) p(x) l Gauss vi E (x) x (3.4) Cov(x) P0 p( v) l Gauss vi E ( v) Cov( v) R (3.5) 3.2.2 c lng chuyn ng ca nh bng thut toỏn Kalman 1- c lng chuyn ng ca nh bng thut toỏn Kalman mt bc Trc õy, hu ht cỏc cụng trỡnh ỏnh giỏ chuyn ng, ngi ta thng s dng lut Bayes c lng vộct trng thỏi chuyn ng x Vic gii quyt bi toỏn ny tr nờn rt khú khn s trng thỏi tng lờn, v mi quan h gia chỳng l phi tuyn gii quyt ny, nghiờn cu sinh xut phỏt t suy ngh k tha c im mnh ca phng phỏp Bayes l xột c bn cht ca ni dung nh v tỡm cỏch hn ch nhc im ca phng phỏp Bayes l tc hi t chm, bỏm chuyn ng ca nh khụng cao a gii phỏp s dng thut toỏn Kalman c lng trng thỏi chuyn ng x Da vo nh lut Bayes, thc hin cỏc bc tớnh nh sau [25]: 1) Tớnh p(z) theo (3.6) 2) Tớnh p(x,z) theo (3.7) v p ( z x) theo (3.8) 3) Tớnh p ( x z ) : S dng mt s phộp bin i toỏn hc, p ( x z ) c tớnh nh sau: -10- p(x z ) HP0 HT R n2 P0 12 12 R 12 (3.11) exp{1 2(x x )T P (x x )} (3.13) P P0 P0 HT (HP0 HT R)1 HP0 x x PHT R (z Hx ) (3.14) E[x] x 4) Vỡ p ( x z ) l Gauss, c lng trung bỡnh cú iu kin v c lng minimax u trựng v c tớnh bi x T nh lut Bayes, bng mt s bin i n gin ta ó nhn c phng phỏp lp (3.14) Trong (3.14) ch ỳng xột nh chuyn t trng thỏi t-1 sang t, ngha l chuyn mt bc 2- c lng chuyn ng ca nh bng thut toỏn Kalman nhiu bc Gii quyt bi toỏn c lng chuyn ng nh qua nhiu bc cng tng t nh bi toỏn c lng chuyn ng nh mt bc, ch khỏc l trng thỏi thay i t trng thỏi ny sang trng thỏi khỏc theo mi quan h ng Nu coi giỏ tr cn tớnh ca trng thỏi nh ti thi im th k+1 l xk+1 ó tớnh c giỏ tr trc ú l xk, mi quan h ú c biu th bng mt cp phng trỡnh [25]: xk f (xk , w k ) (3.15) z k h(xk , v k ) õy xk+1 l vộct trng thỏi nh ti thi im k+1, vk+1 l nhiu o ti thi im k+1, zk+1 l giỏ tr o cú c ti thi im k+1, wk l vộct nhiu ti thi im k Tp giỏ tr o Zk+1 = (z1,,zk+1) Hm mt xỏc sut p(x k z1 , , z k ) p(x k Z k ) v p ( w k , v k x k ) i din cho cỏc thnh phn nhiu ph thuc vo xk Bi toỏn t l c lng trng thỏi nh xk+1 da vo cỏc i lng o z1,,zk+1 Xut phỏt t lut Bayes v trỡnh t tớnh nh c nờu phn mc 3.2.2 ta cú [25]: -111) Tớnh p(x k x k ) : Cú th t c qua thớ nghim hoc theo phộp gii tớch bit p ( w k , v k x k ) , p ( x k Z k ) v (3.15) 2) Tớnh p(z k x k , x k ) : Suy t p ( w k , v k x k ) v (3.15) 3) Tớnh p(x k , z k Z k ) theo (3.16) t ú cú th trc tip tớnh c hm mt biờn p (x k Z k ) v p (z k Z k ) 4) Tớnh p (x k Z k ) theo (3.18) 5) c lng xk+1 t p (x k Z k ) ó tớnh (3.18) ging ht nh c nờu ti phn mc 3.2.2 S dng thut toỏn Kalman, vi mụ hỡnh vt lý trng thỏi nh theo (3.19)-(3.21), bng mt s phộp bin i toỏn hc ta cú: p(x k Z k ) HM k 1HT R n2 R 12 12 M k 12 (3.27) exp{1 2(x k x k )T Pk11 (x k x k )} x k x k M k 1HT (HM k 1HT R)1 (z k Hx k ) (3.28) (3.30) Pk Mk M k 1HT (HM k 1HT R)1 HM k T T (3.31) Mk Pk Q Nh vy t bi toỏn c lng trng thỏi chuyn ng ca nh trc tip bng lut Bayes, lun ỏn ó chuyn sang tớnh bng thut toỏn Kalman rt thun li vỡ l phng phỏp lp nờn d thc hin bng cỏc b x lý s; ng thi chuyn sang dng cỏc phng trỡnh trng thỏi, gii bng thut toỏn Kalman nờn tc hi t, bỏm chuyn ng nh tt hn Nhn xột: c lng chuyn ng ca nh l mt rt quan trng nhm loi b cỏc thụng tin tha chuyn ng nh, lm cho hiu qu nộn nh tt hn Cỏc gii phỏp t trc ti ngi ta thng dựng c lng trờn c s lut Bayes v tớnh toỏn trc tip theo cỏc phõn b xỏc sut cú iu kin ca nú õy l mt bi toỏn gii rt khú s bin tng lờn c bit cn nộn nh mu, nh chiu gii quyt bi toỏn ú, chỳng tụi ó k tc lut Bayes v bin nú sang dng i s, s dng phng phỏp lp trờn c s thut -12toỏn Kalman va gim c phc tớnh toỏn, va tng tc tớnh toỏn v bỏm qu o chuyn ng ca nh theo cỏc u im ca thut toỏn Kalman 3.3 c lng chuyn ng ti u ca nh video 3.3.1 t bi toỏn Trong mc 3.2, t c lng chuyn ng nh bng Bayes, lun ỏn ó a gii phỏp dựng thut toỏn lp Kalman c lng chuyn ng ca nh video nhm hn ch nhc im ca phng phỏp Bayes nhng gi c bn cht ni dung chuyn ng ca nh T õy xut hin bi toỏn tỡm c lng tt nht ca chuyn ng nh x k ti thi im tk õy lun ỏn s dng thut toỏn Kalman c lng chuyn ng ti u ca dóy nh cho sai s trung bỡnh bỡnh phng c lng chuyn ng ca dóy nh l nht 3.3.2 c lng chuyn ng ti u ca nh video Lun ỏn ng dng thut toỏn ó nờu ti mc 3.2 vo trng hp chuyn ng ca nh c c trng bng phng trỡnh sai phõn tuyn tớnh ng nht [25]: xk k ,k 1xk (3.32) Khi cú c lng x k ti thi im tk , cú th d oỏn c lng chuyn ng ca nh ti thi im tk l x k k ,k 1x k Giỏ tr o z k ti thi im tk cú th c s dng ci tin c lng ny Trờn c s x k v giỏ tr o z k : z k H k xk v k (3.33) Khi E[ v k ] thỡ giỏ tr o trung bỡnh ti thi im tk l H k x k Sai s c lng c phn nh bng sai s theo giỏ tr o k vng ek z k Hk k ,k 1x k c lng l mt hm tuyn tớnh ca cỏc giỏ tr o mi õy ta phi xỏc nh mt ma trn cha bit K k cho c lng x k c cho bi: x k k ,k 1x k K k [z k H k k ,k 1x k ] (3.34) Bi toỏn t õy l phi xỏc nh ma trn K k cho: -13(3.35) E[(x k xk )T (x k xk )] l nht v ú giỏ tr x k c gi l tt nht theo ngha sai s trung bỡnh bỡnh phng nht Ma trn K k ny cũn c gi l ma trn trng s hoc ma trn li Vi mt s gi thit, s dng cỏc phộp bin i toỏn hc ta cú: (3.37) Pk k ,k 1Pk 1Tk ,k T T (3.42) K k Pk H k [H k Pk H k R k ] Pk Pk K k H k Pk (3.43) Cỏc phng trỡnh (3.34), (3.37), (3.42) v (3.43) chớnh l cỏc giỏ tr c lng chuyn ng ca nh ti u theo gii phỏp lc Kalman Nhn xột: Vi vic s dng lc Kalman c lng chuyn ng ca nh, chỳng ta ó a vic gii mt bi toỏn xỏc sut theo lut Bayes khú khn v vic gii bng phng phỏp lp õy cũn ch c nghim m bo sai s trung bỡnh bỡnh phng l nht ng thi lun ỏn cng ch c vic chn li K k ti u thut toỏn Kalman c lng chuyn ng nh nhm m bo nghim l tt nht 3.4 c lng chuyn ng ca nh bng phng phỏp mự 3.4.1 t bi toỏn Tuy phng phỏp Kalman em li hiu qu rt tt c lng chuyn ng ca nh bỏm tt nhng cú nhng iu kin rng buc m ni thõn thut toỏn Kalman ũi hi l hm mt xỏc sut ca h, v, d l Gauss Trong thc t, nhng iu kin rng buc ú l khỏ cht Ngoi ra, chỳng ta cng bit rng thut toỏn mự cú mt s c im: - Khi kờnh cú can nhiu mnh hoc cỏc tham s kờnh bin i nhanh, lỳc ú nu dựng cỏc dóy o to t bờn phỏt truyn n bờn thu thỡ s b sai lch v lm cho quỏ trỡnh o to khụng cũn chớnh xỏc v hiu qu - Nu phi dựng cỏc thut toỏn cú o to thỡ nú s chim dng mt phn kờnh truyn dn, lm gim hiu sut s dng ca kờnh -14- Trong h thng a truy nhp, di ng, quỏ trỡnh o to cn ng b hoc cn gi cỏc o to theo tng thi im kt ni mi v phi ci t li ng b õy l iu khú thc hin c khc phc hn ch ú v khụng cn cỏc mu o to tớnh toỏn ca thut toỏn, lun ỏn a gii phỏp mự 3.4.2 c lng chuyn ng ca nh bng phng phỏp mự 1- c lng chuyn ng ca nh bng thut toỏn k vng hp lý max.max Trong [10] hoc [29] thỡ iu kin rng buc i vi ma trn H l H(x * ) õy l iu kin rng buc cht m khụng phi cỏc h thng thc bao gi cng ỳng khc phc iu ú, lun ỏn s s dng mt s bin i ph a h thng phng trỡnh tuyn tớnh nh ó núi mc 2.2.2 v dng: (3.44) Hx v z hoaởc Hx z v mìn m ú H=[hij]IR l mụ hỡnh ma trn, zIR l vộct o chuyn ng ca nh, vIRm l vộct sai s o, xIRn l vộct chuyn ng ca nh cn c lng Trong mc 2.2.2, lun ỏn ó tỡm vộct x cho (2.33) l nht mc ny, la chn ca nghiờn cu sinh l i tỡm vộct x cho ti thiu hm mc tiờu: (3.45) J p (x) z - Hx p v(x) p , p ú vộct sai s o v cú dng: T (3.46) v(x) v1 (x), v2 (x), , vm (x) vi cỏc thnh phn ca v c biu th: n vi (x) zi hTi x zi hij x j , (i 1, 2, , m) (3.47) j Vi mt vi gi thit, s dng cỏc phộp bin i toỏn hc t (3.48) n (3.56), thut toỏn k vng hp lý max.max cú dng: x j (k ) m z x j (k 1) m hij T i , ( j 1, 2, , n) (3.57) i hij i hi x(k ) Nhn xột: Vi bi toỏn c lng chuyn ng ca nh bng thut toỏn k vng hp lý max.max ó giỳp chỳng ta vt qua c -15khú khn l cỏc phn t ca ma trn H khụng nht thit phi dng v khụng cn tớnh giỏ tr o to thut toỏn lp 2- c lng chuyn ng ca nh bng thut toỏn k d Tikhonov t bi toỏn l phi c lng chuyn ng ca nh x cú nhiu tỏc ng vo vộct kt qu o chuyn ng z v cỏc thnh phn ca ma trn H Trong hon cnh ny, nghim ca bi toỏn ó gii phn mc 3.4.2 bõy gi s b sai lch nhiu v thng khụng cú giỏ tr lm gim bt nh hng ú, phn ny ca lun ỏn s s dng gii phỏp c lng mự ca Tikhonov [57] Theo lý thuyt k d thỡ hm nng lng k d (hm s c cc tiu) l tng trng s ca hai thnh phn: J (x, ) J d (x) J x (x) (3.58) ú Jd l nng lng s liu v Jx l rng buc lm trn (cũn c gi l nng lng ca b n nh) Khi (3.58) cú dng biu din thng kờ Bayes (x) exp J x (x) thỡ phõn b cú iu kin ca x v z cú th vit di dng [57]: (3.60) p(z, x) c exp J d (x) J x (x) Do ú, tiờu cc i phõn b tiờn nghim p(x z) ca nh x tng ng vi cc tiu hm mc tiờu J(x,) T hm mc tiờu trờn, gii quyt bi toỏn suy bin, chn p = (3.45), ta cú: 1 T J (x) z Hx z Hx z Hx 2 (3.61) T 1m v v vi 2 i n vi (x) zi hTi x zi hij x j j (3.62) Hm mc tiờu t cc tiu ton b gradient ca nú bng 0: (3.63) J (x) HT z Hx T T Do ú x* (H H) H z T (3.61), nghim k d cú th c xỏc nh n gin bng nghim ca bi toỏn sau: -16x( ) arg minn J (x, ) (3.64) xIR 2 (3.65) z Hx x , õy tham s suy bin iu khin lm trn nghim k d S dng phng phỏp gradient dc nht ta thu c mt h thng phng trỡnh vi phõn [57]: dx (3.66) HT z Hx x dt Chỳ ý rng vic cc tiu hm nng lng J(x,) (3.65) theo x tng ng vi vic gii phng trỡnh: (3.67) (HT H I)x HT z Cú th s dng lý thuyt khai trin k d (SVD) gii phng trỡnh (3.67) Gi thit ma trn H , cp m n cú hng n (m n) , cú khai trin k d nh sau: n (3.69) H U VT i ui vTi i ú c U [u1 , u2 , , u m ] IR mm v V [ v1 , v , , v n ] IR nn l cỏc ma trn trc giao v l ma trn gi ng chộo m n vi n hng trờn cựng cha ng chộo diag{ , , , n } vi n v (m n) hng phớa di bng Cú th ch rng nu {ui } v {v i } tng ng l cỏc ct ca U v V, thỡ nghim suy bin Tikhonov cc tiu tiờu chun bỡnh phng nht i vi phng trỡnh (3.67) c xp x bng [57]: n n uT z i x* ( ) i i v i vi (3.70) i i i i i i J (x, ) ú i uTi z v l tham s k d Mt phng phỏp khỏc gii quyt bi toỏn k d (3.61) gi l phng phỏp khai trin k d ct ct, ú ngi ta b qua cỏc giỏ tr suy bin nh nht bng cỏch ct b nhng thnh phn tng ca (3.70) ng vi r n Nhn xột: Phng phỏp k d Tikhonov liờn quan cht ch vi c lng Bayes Trong phng phỏp ny, thng kờ bc hai ca -17quan sỏt c s dng to nờn mụ hỡnh thụng tin tiờn nghim cho gii phỏp k d Phng phỏp ny gii quyt c khú khn nh ó núi v c lng Bayes 3- c lng chuyn ng ca nh bng thut toỏn Kaczmarz v thut toỏn Kaczmarz m rng Bi toỏn t l vộct kt qu o chuyn ng ca nh z v cỏc thnh phn ca ma trn H u b nh hng bi nhiu thỡ s gii quyt Phn ny ca lun ỏn s tr li cõu hi ú Gi thit quỏ trỡnh c lng chuyn ng ca nh, nhiu N tỏc ng vo cỏc thnh phn ca ma trn s liu c trng bng ma trn H v vộct kt qu o chuyn ng ca nh z cú sai s n Khi ú, phng trỡnh h thng cú dng: (3.82) Hđúng N x zđúng n z ú Hỳng l ma trn s liu khụng cú nhiu zỳng l vộct kt qu o chuyn ng ca nh khụng cú sai s Hóy xỏc nh nghim x ca mụ hỡnh (3.82) trng hp: - Nhiu Gauss cú trung bỡnh bng - Nhiu l bt k gii bi toỏn ny, lun ỏn chn gii phỏp tỡm x cho cc tiu i lng: H ú F (1 ) z F (3.83) , H v z tng ng l nhiu lon ca ma n N trn H v vộct z Kho sỏt hm mc tiờu sai s trung bỡnh bỡnh phng chun: (3.84) J (x) E{eT (k )e(k )} ú vộct sai s e c xỏc nh theo cụng thc sau: (3.85) e(k ) z Hx(k ) (z n) (Hđúng N)x(k ) vi Hỳng v zỳng l cỏc tham s ỳng cha bit Hm mc tiờu (3.84) cng cú th c tớnh nh (3.86) Vic cc tiu hm mc tiờu -18- J (x) theo x s cho ta nghim chch vỡ cỏc thnh phn nhiu l cỏc hm ca x trỏnh ny, lun ỏn s dng hm mc tiờu sai s trung bỡnh bỡnh phng ci tin to nờn c lng khụng chch trờn c s bi toỏn tng bỡnh phng nht (TLS) theo (3.87) [57] a thut toỏn thớch nghi lp, lun ỏn biu din hm mc tiờu nh sau: m J ( x ) J i ( x) ú J i (x) E{ (k )} i i (3.88) E{e (k )} v ei zi hTi x ( hTi l hng +xT x th i ca H) Khi ú cỏc thnh phn gradient tc thi cú th c tớnh theo (3.89) Do ú, thut toỏn lp thi gian ri rc li dng phng phỏp gradient dc nht cú th c vit di dng: x(k 1) x(k ) (k )ei ( k )[h i +ei ( k ) x( k )] i k modulo ( m 1) ei (k ) zi hTi x k ei (k ) xT (k )x(k ) xT (k )x(k ) (3.90) (3.91) Vỡ thnh phn ( xT (k )x(k ))1 luụn luụn dng, ú cú th a (3.90) v dng n gin hn: x(k 1) x(k ) (k )ei ( k )[h i +ei ( k ) x( k )] (3.92) i k modulo ( m 1) Kaczmarz ó s dng khỏi nim trung bỡnh i vi tt c cỏc ch s i mt chu trỡnh lp a mt thut toỏn lp mi v lun ỏn ó s dng nú c lng chuyn ng ca nh: zi hTi x(k ) zi hTi x(k ) h x(k ) (3.93) i T n i j r h x ( k ) x( k ) j ij m x(k 1) x(k ) (k ) ú (k ) l tc hc ó chun húa v rj l s cỏc phn t hij khỏc khụng ca ct j -19Nhn xột: Trong trng hp cú nhiu tỏc ng vo cỏc thnh phn ca ma trn H v vộct kt qu o chuyn ng ca nh z cú sai s, bng cỏch s dng hm mc tiờu (3.88) lun ỏn ó s dng thut toỏn lp mự n gin [57] c lng chuyn ng ca nh m phng phỏp Bayes v cỏc phng phỏp lp trc õy cha tớnh n 4- c lng chuyn ng ca nh bng thut toỏn tng bỡnh phng thớch nghi m rng Bi toỏn t l nu cỏc thnh phn ca nhiu cú tng quan tng h thỡ s gii nú nh th no gii quyt bi toỏn ú, nghiờn cu sinh s dng thut toỏn bỡnh phng thớch nghi m rng ó c [57] a vi gi thit: - Cỏc thnh phn ca nhiu l cú tng quan tng h - Ma trn phng sai ca nhiu ó bit trc hoc cú th c lng c - Nhiu v vộct x(k) c lp thng kờ Trong hon cnh tng quỏt ny, [57] ó s dng hm mc tiờu cú dng nh sau: T x H H x J ( x) T x R NN x T (3.94) Tip ú l cc tiu hm mc tiờu (3.49) n gin v tng tc tớnh toỏn, vic chn cỏc h s ph thuc vo mi bc lp cho lm gim hm mc tiờu tc thi: T zi T x(k ) h zi hi x(k ) i (3.95) J (x(k )) T x(k ) R NN (k ) x(k ) -20theo tng bc lp bng cỏch dch cỏc h s dc theo hng ngc vi hng gradient ca J(x(k)) i vi cỏc giỏ tr h s hin ti Chỳng ta s s dng ch s thi gian ri rc k cho ma trn tng quan ca nhiu ch rng thng kờ ca nhiu cú th thay i theo thi gian Chỳng ta cng gi thit rng cú th khai trin ma trn tng quan ca nhiu R NN (k ) nh sau: r (k ) (rnN (k ))T R NN (k ) nn (3.96) rnN (k ) R NN (k ) ú rnn(k) l i lng tng ng vi t tng quan ca nhiu z, rnN(k) l vộct cha thnh phn tng quan chộo ca cỏc thnh phn nhiu zi v hi, RNN(k) l ma trn t tng quan ca cỏc thnh phn nhiu vộct hi quy hi Vic tớnh toỏn gradient ca J(x(k)) theo vộct h s c cho bi: J (x(k )) 2(ei (k )hi ei (k )(rnN (k ) R NN (k )x(k ))) (3.97) (x(k )) ú ei ( k ) l chun húa li c lng c xỏc nh nh sau: ei (k ) ei (k ) (3.98) T x(k ) R NN (k ) x(k ) Lun ỏn s dng thut toỏn tng bỡnh phng m rng: x(k 1) x(k ) ei (k )(hi +ei (k )(rnN (k ) R NN (k )x(k ))) (3.99) Nhn xột: Nhng cụng trỡnh c lng chuyn ng ca nh trc õy ngi ta mi dng li gi thit nhiu hoc sai s o chuyn ng ca nh cú phõn b Gauss, trung bỡnh bng mc ny lun ỏn ó m rng: - Khụng nhng ch cú nhiu tỏc ng vo giỏ tr o chuyn ng ca nh m cũn cú nhiu tỏc ng vo cỏc phn t ca ma trn H - Khụng dng li gi thit l nhiu Gauss m l nhiu bt k -21CHNG MT S KT QU TNH TON S ỏnh giỏ kim chng cỏc phng phỏp c lng chuyn ng c xut chng 3, lun ỏn thc hin mụ phng cỏc thut toỏn c lng chuyn ng ca nh video bng phng phỏp Bayes v phng phỏp Kalman Trờn c s kt qu mụ phng, lun ỏn s a nhn xột, so sỏnh v hiu qu ca tng gii phỏp c lng chuyn ng ca nh theo cỏc tiờu v: tc tớnh toỏn, bỏm chuyn ng ca nh, chớnh xỏc c lng chuyn ng ca nh a b Hỡnh 4.1 a) Khung 1512 v b) Khung 1513 ca videoclip-1 a b Hỡnh 4.2 a) Khung 434 v b) Khung 435 ca videoclip-2 -22- Hỡnh 4.3 Trng chuyn ng ca videoclip-1, phng phỏp Bayes (=100) Hỡnh 4.5 Trng chuyn ng ca videoclip-1, phng phỏp Kalman (L=10) Hỡnh 4.7 Trng chuyn ng ca videoclip-2, phng phỏp Bayes (=100) Hỡnh 4.8 Trng chuyn ng ca videoclip-2, phng phỏp Kalman (L=100) Hỡnh 4.9 th biu din thi gian tớnh toỏn theo phng phỏp Bayes Hỡnh 4.10 th biu din thi gian tớnh toỏn theo phng phỏp Bayes -23Kt qu mụ phng ó minh chng phng phỏp lp Kalman cú nhng u im hn hn so vi phng phỏp Bayes, ú l: - V tc tớnh toỏn: Phng phỏp Kalman cú phc thp hn phng phỏp Bayes cho nờn thi gian tớnh toỏn thc t phng phỏp Kalman nh hn rt nhiu so vi phng phỏp Bayes - V bỏm chuyn ng ca nh: Thc nghim minh chng phng phỏp Kalman cú bỏm chuyn ng ca nh tt hn phng phỏp Bayes Trong phng phỏp Kalman, kt qu mụ phng trờn hỡnh 4.5 v hỡnh 4.8 cho thy cỏc vộct dch chuyn hu nh trung cỏc chi tit chuyn ng ca i tng chuyn ng Trong ú, vi phng phỏp Bayes, kt qu mụ phng trờn hỡnh 4.3 v hỡnh 4.7 cho thy s lng vộct nhiu hn v tri rng hn trờn ton b nh - V chớnh xỏc c lng chuyn ng ca nh: Do mc dch chuyn tớnh toỏn theo phng phỏp Kalman t n phn thp phõn ca im nh nờn kt qu thc nghim minh chng trng chuyn ng thu c t phng phỏp Kalman mn hn so vi phng phỏp Bayes v s lng cỏc vộct ca trng chuyn ng phng phỏp Kalman cng ớt hn so vi phng phỏp Bayes KT LUN Trong khuụn kh ca lun ỏn, nghiờn cu sinh ó nghiờn cu cỏc phng phỏp c lng chuyn ng ca nh video, k tha nhng lý lun c bn, nhng im mnh ca cỏc ng nghip i trc v b sung lm phong phỳ thờm v lý lun c lng chuyn ng ca nh ú l: 1- c lng chuyn ng ca nh bng phng phỏp Kalman: Chuyn c lng chuyn ng ca nh t phng phỏp Bayes sang c lng chuyn ng ca nh bng phng phỏp Kalman Thc cht ca nú l k tha im mnh c lng chuyn ng bng phng phỏp Bayes, chuyn sang phng phỏp c lng chuyn -24ng bng Kalman s dng phng phỏp lp tớnh toỏn - cú tc tớnh toỏn nhanh hn, bỏm chuyn ng tt hn, c lng chuyn ng ca nh chớnh xỏc hn 2- c lng chuyn ng ti u ca nh video: Bn cht ca nú l c lng chuyn ng ca nh bng thut toỏn Kalman nhng õy ch c giỏ tr ca ma trn li Kk nghim c lng chuyn ng t ti u, m bo iu kin sai s trung bỡnh bỡnh phng l nht 3- c lng chuyn ng ca nh bng thut toỏn mự: Vi s kt hp t tng c lng bng phng phỏp lp v c lng bng mi tng quan chuyn ng phi hp ó c Jain [39] a T ú lm n gin tớnh toỏn trờn cỏc cụng c mỏy tớnh bng phng phỏp lp, khụng cn s dng dóy o to lm tng chớnh xỏc c lng kờnh cú nhiu ln v fading; ng thi s dng hp lý cho cỏc h thng a truy nhp v di ng 4- c lng chuyn ng bng thut toỏn k d Tikhonov: Vi bn cht l phng phỏp mự nhng m rng cho trng hp cú nhiu tỏc ng vo cỏc kt qu o z v cỏc thnh phn ca ma trn H iu ny lm cho bi toỏn tr nờn tng quỏt v hp lý vi iu kin thc t l cỏc h thng ng luụn cú nhiu tỏc ng Vi nhng kt qu ny, lun ỏn gúp phn lm phong phỳ thờm lý lun v c lng chuyn ng ca nh Thut toỏn c lng n gin, hp lý s dng cỏc chng trỡnh tớnh toỏn trờn mỏy tớnh KIN NGH V NHNG NGHIấN CU TIP THEO T nhng kt qu nghiờn cu m lun ỏn ó t c, chỳng tụi cng xut nhng hng nghiờn cu cú th trin khai tip theo: - Tip tc nghiờn cu c lng chuyn ng m thớch nghi vi nhng thut toỏn cú phc thp - Nghiờn cu ỏnh giỏ hiu qu ca c lng chuyn ng m thớch nghi vi cỏc phng phỏp khỏc -25DANH MC CễNG TRèNH CễNG B CA TC GI Trn Mnh Tun, D ỡnh Viờn (8/2009), Phõn tớch chuyn ng ca nh bng thut toỏn Kalman, Tp nghiờn cu khoa hc v cụng ngh quõn s, tr 40-45 Trn Mnh Tun (02/2010), Xỏc nh li ca thut toỏn c lng chuyn ng ca nh video, Tp nghiờn cu khoa hc v cụng ngh quõn s, tr 50-53 Trn Mnh Tun, Phựng Kim Anh (04/2010), c lng chuyn ng ca nh bng lc Kalman m rng, Tp nghiờn cu khoa hc v cụng ngh quõn s, tr 39-41 [...]... i i i J (x, ) trong ú i uTi z v 0 l tham s k d Mt phng phỏp khỏc gii quyt bi toỏn k d (3.61) gi l phng phỏp khai trin k d ct ct, trong ú ngi ta b qua cỏc giỏ tr suy bin nh nht bng cỏch ct b nhng thnh phn trong tng ca (3.70) ng vi r n Nhn xột: Phng phỏp k d Tikhonov liờn quan cht ch vi c lng Bayes Trong phng phỏp ny, thng kờ bc hai ca tp -17quan sỏt c s dng to nờn mụ hỡnh thụng tin tiờn nghim... Chỳng ta cng gi thit rng cú th khai trin ma trn tng quan ca nhiu R NN (k ) nh sau: r (k ) (rnN (k ))T R NN (k ) nn (3.96) rnN (k ) R NN (k ) trong ú rnn(k) l i lng tng ng vi t tng quan ca nhiu trong z, rnN(k) l vộct cha thnh phn tng quan chộo ca cỏc thnh phn nhiu trong zi v hi, RNN(k) l ma trn t tng quan ca cỏc thnh phn nhiu trong vộct hi quy hi Vic tớnh toỏn gradient ca J(x(k)) theo vộct h s c cho... cho cc tiu i lng: H trong ú 1 2 F (1 ) z 2 F (3.83) , H v z tng ng l nhiu lon ca ma 2 n 2 N trn H v vộct z Kho sỏt hm mc tiờu sai s trung bỡnh bỡnh phng chun: (3.84) J (x) E{eT (k )e(k )} trong ú vộct sai s e c xỏc nh theo cụng thc sau: (3.85) e(k ) z Hx(k ) (z đúng n) (Hđúng N)x(k ) vi Hỳng v zỳng l cỏc tham s ỳng cha bit Hm mc tiờu (3.84) cng cú th c tớnh nh trong (3.86) Vic cc tiu... chớnh xỏc trong c lng chuyn ng ca nh: Do mc dch chuyn tớnh toỏn theo phng phỏp Kalman t n phn thp phõn ca im nh nờn kt qu thc nghim minh chng trng chuyn ng thu c t phng phỏp Kalman mn hn so vi phng phỏp Bayes v s lng cỏc vộct ca trng chuyn ng trong phng phỏp Kalman cng ớt hn so vi phng phỏp Bayes KT LUN Trong khuụn kh ca lun ỏn, nghiờn cu sinh ó nghiờn cu cỏc phng phỏp c lng chuyn ng ca nh trong video,... mc 2.2.2 v dng: (3.44) Hx v z hoaởc Hx z v mìn m trong ú H=[hij]IR l mụ hỡnh ma trn, zIR l vộct o chuyn ng ca nh, vIRm l vộct sai s o, xIRn l vộct chuyn ng ca nh cn c lng Trong mc 2.2.2, lun ỏn ó tỡm vộct x sao cho (2.33) l bộ nht mc ny, la chn ca nghiờn cu sinh l i tỡm vộct x sao cho ti thiu hm mc tiờu: (3.45) J p (x) z - Hx p v(x) p , p 1 trong ú vộct sai s o v cú dng: T (3.46) v(x) v1 (x),... phc tp tớnh toỏn, va tng tc tớnh toỏn v bỏm qu o chuyn ng ca nh theo cỏc u im ca thut toỏn Kalman 3.3 c lng chuyn ng ti u ca nh trong video 3.3.1 t bi toỏn Trong mc 3.2, t c lng chuyn ng nh bng Bayes, lun ỏn ó a ra gii phỏp dựng thut toỏn lp Kalman c lng chuyn ng ca nh trong video nhm hn ch nhc im ca phng phỏp Bayes nhng vn gi c bn cht ni dung chuyn ng ca nh T õy xut hin bi toỏn tỡm c lng tt nht... s tr li cõu hi ú Gi thit trong quỏ trỡnh c lng chuyn ng ca nh, nhiu N tỏc ng vo cỏc thnh phn ca ma trn s liu c trng bng ma trn H v vộct kt qu o chuyn ng ca nh z cú sai s n Khi ú, phng trỡnh h thng cú dng: (3.82) Hđúng N x zđúng n z trong ú Hỳng l ma trn s liu khi khụng cú nhiu zỳng l vộct kt qu o chuyn ng ca nh khi khụng cú sai s Hóy xỏc nh nghim x ca mụ hỡnh (3.82) trong trng hp: - Nhiu Gauss... bỡnh phng trong c lng chuyn ng ca dóy nh l bộ nht 3.3.2 c lng chuyn ng ti u ca nh trong video Lun ỏn ng dng thut toỏn ó nờu ti mc 3.2 vo trng hp khi chuyn ng ca nh c c trng bng phng trỡnh sai phõn tuyn tớnh ng nht [25]: xk k ,k 1xk 1 (3.32) Khi cú c lng x k 1 ti thi im tk 1 , cú th d oỏn c lng chuyn ng ca nh ti thi im tk l x k k ,k 1x k 1 Giỏ tr o z k ti thi im tk cú th c s dng ci tin c lng ny... nghim chch vỡ cỏc thnh phn nhiu l cỏc hm ca x trỏnh vn ny, lun ỏn s dng hm mc tiờu sai s trung bỡnh bỡnh phng ci tin to nờn c lng khụng chch trờn c s bi toỏn tng bỡnh phng bộ nht (TLS) theo (3.87) [57] a ra thut toỏn thớch nghi lp, lun ỏn biu din hm mc tiờu nh sau: m J ( x ) J i ( x) trong ú J i (x) E{ 2 (k )} i 1 2 i (3.88) 1 E{e (k )} v ei zi hTi x ( hTi l hng 2 +xT x th i ca H) Khi ú cỏc... dng khỏi nim trung bỡnh khi i vi tt c cỏc ch s i trong mt chu trỡnh lp a ra mt thut toỏn lp mi v lun ỏn ó s dng nú c lng chuyn ng ca nh: zi hTi x(k ) zi hTi x(k ) h x(k ) (3.93) i 2 T n i 1 j 1 r h x ( k ) x( k ) j ij m x(k 1) x(k ) (k ) trong ú 0 (k ) 2 l tc hc ó chun húa v rj l s cỏc phn t hij khỏc khụng ca ct j -19Nhn xột: Trong trng hp cú nhiu tỏc ng vo cỏc thnh phn ca ma ... trỡnh video trờn cỏc h thng thụng tin di ng, mt bi toỏn t l phi nộn hỡnh nh tit kim bng tn truyn dn m m bo cht lng hỡnh nh Trong hon cnh mng NGN v di ng th h sau tip tc ũi hi phi hon thin hn... gia hai khung nh l c lng c chuyn ng ca nh í ngha thc tin: M kh nng tớnh toỏn mi c lng nh nhanh hn, cú bỏm chuyn ng tt hn, trỏnh c nhng thụng tin d tha bỏm chuyn ng khụng tt gõy Ni dung ca lun... cỏc thụng tin hun luyn thut toỏn nh ũi hi cỏc phng phỏp gradient nhm nõng cao s dng bng tn truyn dn v m rng cho trng hp nhiu lon bt k 3.2 c lng chuyn ng bng Kalman 3.2.1 t bi toỏn Trong [4]