融合独立分量分析和视觉显著性的烟雾分割检测算法

在烟雾前景分离中,针对传统高斯混合模型分离的前景仍存在大量噪声点的问题,将独立分量分析(ICA)应用于分离烟雾前景,对传统烟雾前景分离算法进行改进。算法通过ICA消除烟雾前景和背景间的二阶和高阶相关,降低非烟雾成分的干扰;并通过基于图的视觉显著性(GBVS)来缩减预判的烟雾前景区域,得到较为纯净的烟雾区域。实验结果表明,与基于混合高斯模型的烟雾检测算法相比,该算法提取的烟雾区域小而集中,主观视觉评价以及客观指标均显示算法的识别效果更优。     

基于多维动态纹理分析的烟雾检测算法

为了提高动态纹理特征分析的可靠性且降低计算量,提出了一种基于多维动态纹理分析的烟雾检测算法。该算法在预处理阶段利用ICA烟雾前景初步分离烟雾模型得到初步烟雾前景,然后通过GBVS提取多通道、多尺度的底层特征得到烟雾前景显著区域,以提高前景目标检测阶段对烟雾前景的分割精确度;在烟雾特征提取阶段,提出基于多维特征分析的烟雾特征提取检测方法(h-LDS/RGBH),该方法首先经过烟雾颜色和背景差分预处理得到烟雾候选区域,然后在四维图像块中引入RGB和HOG特征,最后基于对多维图像数据的高阶分解,分析烟雾视频的动态特征。多维动态纹理分析(h-LDS/RGBH)改善了烟雾特征提取阶段所提取的烟雾特征稳定性不高且对烟雾的判断准则过于简单的缺点,提高了动态纹理特征分析的可靠性。实验表明,其检测率高于LDS和h-LDS/RGB的识别率。实验表明,该算法的检测率高于LDS和h-LDS/GRB.     

基于高斯混合模型GMM的说话人识别方法

高斯混合模型(GMM)是一种经典的说话人识别算法,本文在实现其算法的同时,主要模拟了不同噪声环境情况下高斯混合模型(GMM)的抗噪声性能,得到了一些有益结论。     

基于前景策略和场景信息的目标跟踪系统

为解决目标跟踪算法中的某些难点问题,提出以Mean-shift算法为基础,基于高斯混合模型(GMM)前景分割和场景信息的MGSI方法.该方法基于运动预测和前景分割为目标跟踪提供感兴趣区域(ROI),解决了跟踪目标与背景相似情况下目标识别中的误报问题.同时,通过场景信息的预先设定来获取某些先验知识,如屏蔽区域的划分、区域中目标模板更新的频率、遮挡类型的预判等,并根据先验知识来调整跟踪策略,一定程度上解决了遮挡问题.实验证明,基于MGSI方法的目标跟踪系统在一定程度上解决了光照变化、背景干扰、模板更新、遮挡等传统跟踪系统中存在的问题,有效提高了跟踪的准确率.     

一种基于反馈信息的视觉图像背景建模方法

高斯混合模型已经广泛应用于视觉图像的运动目标提取.但传统高斯混合模型存在静止前景融入背景的问题.为了解决这个问题,提出了一种特定场景下基于反馈信息的背景模型更新改进算法.首先采用基于形状特征的目标分类器将前景目标识别为行人和车辆,然后通过多目标跟踪判断目标是否静止,进而将前景目标识别为静止行人,运动行人,车辆三种模式,最后将跟踪与分类的结果与高斯模型的更新相结合,根据分类后反馈的信息对不同的分类区域采取不同的学习率更新.实验结果表明,该方法能够有效地解决特定场景中前景融入背景的问题.     

KICA模型选择及其在消除脑电信号伪差中的应用

理论分析并结合实验验证指出基于正定核的独立分量分析算法(K ICA)的优化与分离性能与其模型参数的选择有关。提出了一种简单高效的模型选择方法:在混合信号中附加一个已知验证信号,通过最小化该已知信号的分离误差来选择最优模型参数。实验结果表明:经模型选择后的K ICA能成功分离脑电信号中的心电伪差。     

基于EMD的ICA语音增强

传统ICA方法是将所有源信号都从混合信号中都提取出来,而参考独立分量分析(ICA-R)通过将一些先验信息引入到ICA学习算法中,从混合信号中仅提取期望源信号.本文为了从混合语音信号中提取出期望的语音信号,采取的是基于经验模态分解(EMD)方法来获取功率谱包络作为参考信号,继而把参考信号运用到ICA－R算法中,达到语音增强的目的.计算机仿真和性能分析结果表明,此方法在有噪声干扰的情况下达到语音增强的目的.     

圆度测量误差分离技术解决ICA的不确定性问题

独立分量分析方法(Independent Component Analysis，简称ICA)在国内尚属一门新型的方法。在介绍ICA的无噪声模型、原理、预处理、非高斯性量度以及ICA快速定点算法的基础上，重点讨论了ICA的不确定性在圆度误差分离中的处理方法。仿真结果表明，基于独立分量分析的圆度误差分离技术比传统的频域法和时域法均简单、实用、高效。同时，由ICA分离出的信号的不确定性问题得到了很好的解决。     

基于改进粒子群的ICA算法

ICA算法是目前盲信号分离的主流算法之一,但是传统ICA算法收敛速度慢,收敛精度低。为此本文提出一种基于改进粒子群的ICA算法,以峭度作为目标函数,以改进粒子群算法作为优化算法。采用这种方法进行瞬时混合信号的盲分离,仿真实验表明该算法能够有效分离信号,与传统ICA算法相比,分离效果更好。     

基于图像多尺度分解的前景提取

为了弥补纹理对传统GrabCut提取结果的负面影响,本文分析了图像边缘和颜色分布的尺度特性,结合图像多尺度分解和GrabCut,提出了基于图像多尺度分解的前景提取模型.首先,该模型运用全变分对图像进行多尺度分解得到一系列平滑图像,该分解保护了图像边缘并平滑了纹理,压缩了图像区域颜色的分布范围;其次,将给定平滑图像前景颜色分布表示为高斯混合模型,并运用直方图形状分析方法优化了高斯混合模型的高斯函数个数,弥补了传统固定高斯函数个数的负面影响;最后,根据不同平滑图像的分割结果设计了迭代终止条件,使得从适当的分解尺度中提取前景.与传统前景提取算法相比较,该模型降低了纹理对前景提取的负面影响,其测评分数高于传统算法.     

小波分解单通道盲分离干扰抑制方法

在单通道通信系统抗干扰问题中,由于先验信息不足,不能采用常规的盲分离方法抑制干扰?针对此问题,提出一种小波分解结合独立分量分析(independent component analysis,ICA)的单通道盲分离抗干扰方法?该方法利用小波分解,将单路混合信号分解为一系列的小波分量,通过计算各层小波分量的能量,选择最优小波分量作为ICA的输入信号,采用ICA方法实现信号的分离和重构?该方法选择最优小波分量进行盲分离,有效减少分离算法的计算量,同时降低噪声对系统性能的影响?仿真结果表明,所提方法可以有效地分离混合信号,提高单通道通信系统的抗干扰能力和系统处理速度?     

Foreground Detection Based on Nonlinear Independent Component Analysis

Motionless foreground objects are key targets in applications of home care monitoring and abandoned object detection,and pose a great challenge to foreground detection.Most algorithms incorporate the motionless foreground objects into their background models because they have to adapt to environmental changes.To overcome this challenge,a foreground detection method based on nonlinear independent component analysis(ICA) was proposed.Considering that each video frame was actually a nonlinear mixture of the background image and the foreground image,the nonlinear ICA was employed to accurately separate the independent components from each frame.Then,the entropy of grayscale image was calculated to classify which resulting independent component was the foreground image.The proposed nonlinear ICA model was trained offline and this model was not updated online,so the method can cope with the motionless foreground objects.Experimental results demonstrate that,the method achieves remarkable results and outperforms several advanced methods in dealing with the motionless foreground objects.     

改进的混合高斯模型的运动对象分割算法

针对视频序列中运动对象分割问题,提出一种改进的混合高斯模型分割算法.该算法首先由混合高斯模型得到前景,之后用当前帧的前景区域与上一帧对应位置做差,区分出实际变化区域及误检区域并为误检区域赋予较大的更新速率,从而有效地改善了长时间静止物体转为运动后留下的"鬼影"及光线突变导致的大面积误检情况.采用阴影抑制和形态学滤波使得前景目标分割的性能得到有效的提高.实验表明,本算法能够迅速响应实际场景的变化,准确分割出运动对象.     

基于亮度感知的前景提取

前景提取是在图像整体认知基础上将感兴趣对象分离出来,本文联合图像亮度视觉感知和水平集方法提出了一种基于亮度感知的前景提取模型。该模型依据像素对的亮度视觉相关性,联合视觉区域内相似性和区域间的差异性,设计了亮度感知能量泛函,运用瑞利熵求解能量泛函得到视觉区域,利用视觉区域特征驱使初始曲线演化至前景轮廓。相对于传统算法,该模型运用图像视觉特征有利于从图像的整体认知上提取前景,提高了水平集方法的前景提取质量。     

一种新的结合卷积神经网络的隧道内停车检测方法

为了更准确地检测高速公路隧道内停车行为,将传统的图像处理技术与深度学习相结合.首先,通过基于混合高斯模型(Gaussian mixture model,GMM)的背景差分法提取出运动目标.接着通过meanshift算法跟踪这些运动目标,计算运动目标的速度以及在相邻视频帧中运动目标的相关性,通过与速度阈值和相似度阈值的比较得到静止目标.最后,结合卷积神经网络(convolutional neural network,CNN)分类模型识别静止目标是否为车辆.文中方法在高速公路隧道视频上进行测试,达到至少84％的准确率.另外,与没有结合卷积神经网络的传统图像处理方法相比,文中方法至少提高了63％的准确率.     

基于L1范数重建的稳健独立成分分析

独立成分分析（independent component analysis,ICA）是一种混合信号处理与分离方法,能够从多维混合观测数据中分离出各个独立成分。目前,ICA已成功应用于特征提取、信号处理、模式识别等诸多领域。然而,由于实际问题的复杂性,可观测到的混合观测中往往含有噪声、异常点与缺失点,而标准ICA算法对这类数据往往不能有效处理。针对该问题,提出了一种基于L,范数重建的新思路。基本思路是将传统ICA模型中加入L1范数项重新建模,利用L,范数误差对噪声与缺失点的本质稳健性,提高模型应用普适性;进一步设计了针对该模型的有效求解算法。在混合人工信号分离、混合图像分离以及混合音频信号分离的实验证明中,所提算法能够显著提升瑚．有ICA方法对干会噪声、异常点与融央占耕棍的计篮稳健性.     

基于高斯混合密度函数估计的语音分离

基于最大熵法（Ｍａｘｉｍｕｍ Ｅｎｔｒｏｐｙ,ＭＥ）、最小互信息量法（Ｍｉｎｉｍｕｍ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）和最大似然法（ＭａｘｉｍｕｍＬＩｋｅｌｉｈｏｏｄ,ＭＬ）最解决盲信号分离问题的常用算法,分析了ＭＥ、ＭＭＩ以及ＭＬ算法之间关系。基于高斯混合模式（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ,ＧＭＭ）概率密度函数估计,提出了一种采用反馈结构的扩展最大熵语音分离算法,与     

基于源信号时间结构的半盲处理方法

该文给出了一种适用于时间相关的任意概率分布源信号的自适应半盲信号处理方法。提出的自适应算法基于二阶统计量(SO S)信息,利用了源信号在空间上非严格统计独立,同时在时间上也不是独立统计分布的假设。此外,为了实现理想的盲分离,源信号必需具有不同的功率谱密度。新的半盲信号分离(BSS)方法在仅使用SO S信息和时间结构的基础上,对相关源信号采用自适应技术,实现半盲分离,而且该文算法可取消经典ICA算法对源信号至多有一个G auss源的限制。真实图像数据的模拟实验及其与JADE、FP ICA、FOB I、AMU SE等算法的性能比较,验证了该算法的有效性。