視角搖晃演算法

❶ 視角怎麼計算

人眼到視平面的距離視固定的（視距），視平面左右兩個邊緣到人眼的連線得到的角度是視角。 一般我們設置視角來計算視距。 為了方便，我們一般取人眼位置為 z 軸原點，這樣，物體距離眼睛的距離（物距）還有物體在視平面上投影的長度（像長）以及 物體的實際長度（物長）的關系就是這樣： 像長：像距 ＝ 物長：物距 即 像長 ＝ 物長 * 像距 / 物距 (1) 假設我們的視角寬度用x方向（一般哺乳類都是如此，因為兩眼是x方向排列的），那麼有這樣的關系： (視平面寬度/2) /像距 ＝ tan(視角/2) 於是： 像距 ＝ (2/視平面寬度早虛) * tan(視角/2) (2) (2) 帶入 (1) 就可以得到： 像長 ＝ 物長 * (2/視平面寬度) * tan(視角/2) / 物距 這樣我們就可以知道，當視角已知的時候，一個高為 h 的物體在視平面上的投影是多高了。
這是正投影的做法，但是實際上人類的眼睛看到的世界不是這樣的。把視平面當成是一個球面，每一點的計算公式仍然和上面的一樣，這樣計算出來的結果才能更准確地反映寬視角地情形，一般人類地視角是120度的，但是用正投影的話，視角一般只能設置到75度左右。
這就是為什麼我們玩 CS 的時候總是覺得棗睜凳視角有點窄，看不到旁邊的人的緣故緣故。 沒有餘光對人類來說是很不方便的。 在手機游戲裡面廣泛使用的視線跟蹤演算法，用的就是第二種演算法。
遠的凳旅東西看起來小是因為物距比較大，像比較小，視角是視力范圍的衡量標准。

❷ 戰地1視角晃動幅度

受到爆炸影響的視角搖晃倒是可以調整，建議拉到最低，這樣收到爆炸對槍不虛。

眾所周知戰地1有著無與倫比的畫面，但是在多人競技中，那些瞎眼的特效往往會很多餘，不建議打開，但是在影響-進階 設置中 尤其 網格 這個特效要盡可能開到最高，這樣的話在很遠處就可以看得到敵人，其他特效建議全部關閉。

當然如果你的配置足夠好，那麼可以考慮把紋理品質和紋理過濾以及抗鋸齒效果開到最高，其他特效建議全部關閉，這樣可以保證你獲得足夠清晰的視野。畢竟多人模式不等同於單人，殺敵才是最重要的。

另外大家如果喜歡開飛機的話會發現默認視角是飛機轉天空跟著一起旋轉，如果你不適應的話，那可以在設置-游戲-進階里 飛機追逐視角關閉即可。

新手實用玩法技巧：

1、萌新千萬不要玩狙

一槍一個的神槍手只出現在電視劇里，戰地一更多的是無處不在的黑槍，菊花刀和手榴彈，你陵螞鍵趴在地上不一定能打死人，更多的是被人標記出來，然後被沖鋒槍、狙擊槍、機槍、手槍、榴彈、炮彈、毒氣彈、手榴彈、還有戰壕刀收掉。狙擊是需要手感和大局觀的，新手前期尺巧不宜接觸狙擊。

2、前期可以主練突擊兵

突擊兵的沖鋒槍是正面肛最好的武器，尤其是1918戰壕，還有獵人噴子，三十米之內1918不用精準射擊，按住左鍵腰射就可以懟死敵人，簡直毒瘤，而且突擊兵帶集束手雷和毒氣彈，在有支援兵的情況下可以對某系區域進行狂轟濫炸，即便是坦克撐不了多久，可以說突擊兵才是新人首選兵種。

3、靈活利用地形

戰地一的戰場地形很是復雜，這對我們進行偷點、偷人提供了絕佳的掩護，利用地形遮蔽自己也可以防止遠處狙擊手的青睞。尤其是在開闊地得時候，一旦看到遠處的白光，盡快躲到掩體後面，沖刺的時候按下蹲可以進行滑鏟，讓你更快的隱蔽自己。

4、注意看地圖

戰地一的地圖不算好用，但我們可以根據地圖知道很多事，比如我方兵力的分配，被標記的敵人的位置，知道這些可以讓我們避免進去我方兵力薄弱的區域，也可以快去接近被標記或者躲開被標記的敵人。

5、盡量跟隨物辯大部隊

戰地一是多人戰場，你一個人永遠干不出驚天動地的大事，即便是你槍法神准，意識超強，身法風騷，一發手雷也能讓你直接報廢。所以說跟著大部隊，沒血了有人給你加血，沒子彈有人給你加子彈加手雷，死了還有庸醫給你針灸，多好。

6、開局不要搶載具

我不是看不起新人，因為我自己就是新人，新人開載具就像女司機開F1，根本停不下來，一個不慎就沖到了包圍圈，這時候無數的突擊兵會教你做人，還有灰機，戰地一的灰機很難開，起碼我不會開，分分鍾變神風小飛機，你的一個不慎很可能讓己方缺少了最重要的載具，這在站點和搶點時是最致命的，所以，安心的打槍吧，載具可以在己方優勢明顯時開著玩玩，不過還是不能浪。

❸ 生化危機2重製版視角搖晃是什麼意思

意味著敵人接近，增加恐懼感。
在生化危機2：重製版游戲設定中，每當喪屍或敵人靠近並抓住玩家坦盯時，相機視角會晃動以增加恐懼感。
生化危機2：重製版是一款由卡普空製作發行的恐怖冒險類游戲讓凳和，使用生化危機同款引擎REEngine打粗肆造，支持全新的過肩視角，以及現代化操作，支持4K。

❹ 視覺追蹤的典型演算法

（1）基於區域的跟蹤演算法
基於區域的跟蹤演算法基本思想是：將目標初始所在區域的圖像塊作為目標模板，將目標模板與候選圖像中所有可能的位置進行相關匹配，匹配度最高的地方即為目標所在的位置。最常用的相關匹配准則是差的平方和准則，(Sum of Square Difference，SSD)。
起初，基於區域的跟蹤演算法中所用到的目標模板是固定的，如 Lucas 等人提出 Lucas-Kanade 方法，該方法利用灰度圖像的空間梯度信息尋找最佳匹配區域，確定目標位置。之後，更多的學者針對基於區域方法的缺點進行了不同的改進，如：Jepson 等人提出的基於紋理特徵的自適應目標外觀模型[18],該模型可以較好的解決目標遮擋的問題，且在跟蹤的過程中採用在線 EM 演算法對目標模型進行更新；Comaniciu 等人[19]提出了基於核函數的概率密度估計的視頻目標跟蹤演算法，該方法採用核直方圖表示目標，通過 Bhattacharya 系數計算目標模板與候選區域的相似度，通過均值漂移(MeanShift)演算法快速定位目標位置。
基於區域的目標跟蹤演算法採用了目標的全局信息，比如灰度信息、紋理特徵等，因此具有較高的可信度，即使目標發生較小的形變也不影響跟蹤效果，但是當目標發生較嚴重的遮擋時，很容易造成跟蹤失敗。
（2）基於特徵的跟蹤方法
基於特徵的目標跟蹤演算法通常是利用目標的一些顯著特徵表示目標，並通過特徵匹配在圖像序列中跟蹤目標。該類演算法不考慮目標的整體特徵，因此當目標被部分遮擋時，仍然可以利用另一部分可見特徵完成跟蹤任務，但是該演算法不能有效處理全遮擋、重疊等問題。
基於特徵的跟蹤方法一般包括特徵提取和特徵匹配兩個過程：
a) 特徵提取
所謂特徵提取是指從目標所在圖像區域中提取合適的描繪性特徵。這些特徵不僅應該較好地區分目標和背景，而且應對目標尺度伸縮、目標形狀變化、目標遮擋等情況具有魯棒性。常用的目標特徵包括顏色特徵、灰度特徵、紋理特徵、輪廓、光流特徵、角點特徵等。D.G. Lowe 提出 SIFT(Scale Invariant Feature Transform)演算法[20]是圖像特徵中效果較好的一種方法，該特徵對旋轉、尺度縮放、亮度變化具有不變性，對視角變化、仿射變換、雜訊也具有一定的穩定性。
b) 特徵匹配
特徵匹配就是採用一定的方式計算衡量候選區域與目標區域的相似性，並根據相似性確定目標位置、實現目標跟蹤。在計算機視覺領域中，常用的相似性度量准則包括加權距離、Bhattacharyya 系數、歐式距離、Hausdorff 距離等。其中，Bhattacharyya 系數和歐式距離最為常用。
Tissainayagam 等人提出了一種基於點特徵的目標跟蹤演算法[21]。該演算法首先在多個尺度空間中尋找局部曲率最大的角點作為關鍵點，然後利用提出的MHT-IMM 演算法跟蹤這些關鍵點。這種跟蹤演算法適用於具有簡單幾何形狀的目標，對於難以提取穩定角點的復雜目標，則跟蹤效果較差。
Zhu 等人提出的基於邊緣特徵的目標跟蹤演算法[22]，首先將參考圖像劃分為多個子區域，並將每個子區域的邊緣點均值作為目標的特徵點，然後利用類似光流的方法進行特徵點匹配，從而實現目標跟蹤。
（3）基於輪廓的跟蹤方法
基於輪廓的目標跟蹤方法需要在視頻第一幀中指定目標輪廓的位置，之後由微分方程遞歸求解，直到輪廓收斂到能量函數的局部極小值，其中，能量函數通常與圖像特徵和輪廓光滑度有關。與基於區域的跟蹤方法相比，基於輪廓的跟蹤方法的計算復雜度小，對目標的部分遮擋魯棒。但這種方法在跟蹤開始時需要初始化目標輪廓，因此對初始位置比較敏感，跟蹤精度也被限制在輪廓級。
Kass 等人[23]於 1987 年提出的活動輪廓模型(Active Contour Models，Snake)，通過包括圖像力、內部力和外部約束力在內的三種力的共同作用控制輪廓的運動。內部力主要對輪廓進行局部的光滑性約束，圖像力則將曲線推向圖像的邊緣，而外部力可以由用戶指定，主要使輪廓向期望的局部極小值運動，。
Paragios 等人[24]提出了一種用水平集方法表示目標輪廓的目標檢測與跟蹤演算法，該方法首先通過幀差法得到目標邊緣，然後通過概率邊緣檢測運算元得到目標的運動邊緣，通過將目標輪廓向目標運動邊緣演化實現目標跟蹤。
（4）基於模型的跟蹤方法[25]
在實際應用中，我們需要跟蹤的往往是一些特定的我們事先具有認識的目標，因此，基於模型的跟蹤方法首先根據自己的先驗知識離線的建立該目標的 3D 或2D 幾何模型，然後，通過匹配待選區域模型與目標模型實現目標跟蹤，進而在跟蹤過程中，根據場景中圖像的特徵，確定運動目標的各個尺寸參數、姿態參數以及運動參數。
Shu Wang 等人提出一種基於超像素的跟蹤方法[26]，該方法在超像素基礎上建立目標的外觀模板，之後通過計算目標和背景的置信圖確定目標的位置，在這個過程中，該方法不斷通過分割和顏色聚類防止目標的模板漂移。
（5）基於檢測的跟蹤演算法
基於檢測的跟蹤演算法越來越流行。一般情況下，基於檢測的跟蹤演算法都採用一點學習方式產生特定目標的檢測器，即只用第一幀中人工標記的樣本信息訓練檢測器。這類演算法將跟蹤問題簡化為簡單的將背景和目標分離的分類問題，因此這類演算法的速度快且效果理想。這類演算法為了適應目標外表的變化，一般都會採用在線學習方式進行自更新，即根據自身的跟蹤結果對檢測器進行更新。