masaki衣服的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列評價、門市、特惠價和推薦等優惠

以Lucas-Kanade方法實現擁有動態影像框架之綠幕追蹤

為了解決masaki衣服的問題，作者王柏淵 這樣論述：

本論文題出了一種追蹤含有動態影像框架之方法，利用Lukas-Kanade method追蹤此框架周圍特徵點，來鎖定影片每幀之框架位置，進而將此框架內容以綠幕或其他顏色取代，以達成綠幕去背的後製效果。 本論文分四個部分，第一部分為特徵點偵測。由使用者在欲後製之影片第一幀圈選框架範圍，再由程式在該範圍內偵測適合追蹤之特徵點。第二部分為內含動態影像之框架追蹤，因一般追蹤方法皆為追蹤圖形固定之物件，如衣服上的圖案，而本論文追蹤目標著重在該目標之外圍框架，故將使用一遮罩將框架內持續改變之內容權重更改為零，使之不影響追蹤演算法。第三部分為綠幕生成，即將每幀追蹤好的框架內容由綠幕取代。最後一部分為本

論文實驗結果。本論文研究貢獻如下：1. 可追蹤擁有動態內容之框架。2. 若影片素材在拍攝時無架置綠幕，後製去背將非常困難，利用此論文之方法可大大降低無綠幕影片之後製難度。

行人偵測系統

為了解決masaki衣服的問題，作者韓孝羽 這樣論述：

本論文提出一個新的行人偵測演算法，並且以此演算法發展出一套即時的行人偵測系統。這個行人偵測演算法可區分為兩部分：移動物件偵測與行人辨識。在移動物件偵測部分，我們使用改善過的時間差異法（Modified Temporal Differencing Method）在場景中切割出移動的物件，這種改善過的時間差異法結合了一般的時間差異法與偵測網路（Detection Nets）的觀念。在行人辨識部分，我們由輸入影像取得多種類型的小波樣板（Wavelet Template），再由小波樣板取出興趣點樣板（Interest Point Template），我們利用小波樣板的頻率分析及多級別（Multi-s

cale）特性，並且結合興趣點的區域性特徵，由興趣點樣板中萃取出統計所得的特徵點，最後，這些特徵點輸入一個訓練過的多層級倒傳遞類神經網路（Multilayer Back-propagation Neural Network），類神經網路的輸出就表示最後的結果─人或非人。此行人偵測演算法有以下幾點優點：(1)經由大量影像訓練而成，改善了一般以外形為基礎的方法中需要手繪人形模型的缺點。(2)不用求得運動型別（Motion Pattern），在行人辨識處理中只需要一張影像就可得到結果。(3)不會受到行人的衣服、髮型、性別、走路姿勢及行走方向所影響。(4)演算法速度快，可應用於即時偵測系統中。(5)經

由實驗得知，此行人偵測系統的辨識率達到95%。我們將此演算法實現於即時的行人偵測系統中，行人偵測率達到89.58%。