采用加权置信传播算法的LDPC码性能分析

LDPC码置信传播译码算法中,由于环路的存在,影响迭代译码的性能和迭代译码的收敛性。为减小这一影响,在迭代译码算法中引入加权因子,采用迭代加权的译码方法。该算法可使迭代信息趋于平稳,增加译码可信度,减少迭代次数,加快迭代译码的收敛,从而改善译码性能的方法。仿真结果表明,这种方法对最小环长小且环长分布较均匀的中短码长的码子性能影响较大。     

基于运动平台的运动目标检测与跟踪

为了实现大视场智能监控,本文提出了一种基于运动平台的运动目标检测与跟踪方法.在相邻帧之间通过块匹配进行运动补偿,采用三帧差分法分割出运动目标.当运动目标正常运动时跟踪其形心;当运动目标被遮档时,根据卡尔曼滤波器预测的形心跟踪目标.其中,对于块匹配,采用边缘点作为匹配块的中心点并根据摄像机的运动方向确定搜索范围,使处理速度提高了38.6%.另外,比较得出最小二乘法对运动目标运动状态突然改变时拟合效果差,因此采用卡尔曼滤波器进行预测.实验证明,本算法适应环境变化的能力强,而且平均每秒处理37.6帧,达到实时处理要求.     

基于类加权YOLO网络的水下目标检测

由于水下目标检测面临着图像模糊、尺度多样化、复杂背景等问题,给水下目标检测应用带来很多挑战.本文提出了一种基于类加权YOLO网络的水下目标检测方法,主要思想是在深度网络YOLO的基础上,构造了类加权损失函数,来平衡样本难易程度以获得更好的效果,并引入了目标框自适应维度聚类方法,进一步提升了检测性能.实验结果表明,本文算法与传统的YOLO网络模型相比,在每幅图片包含近20个目标的密集目标检测任务中,能够将平均准确率从71.2%提升至74.1%,召回率由71.1%提升到78.3%.     

基于高斯金字塔的运动目标检测

针对自然环境下运动目标检测背景动态变化问题,提出一种新的基于高斯金字塔模型的背景差分算法.首先将图像序列进行多尺度分解,得到不同分辨率下的当前帧和背景帧;然后,在不同分辨率下采用高低双阈值进行背景差分运算,得到双阈值产生的2帧前景图像,阈值根据环境自动获取;最后,将各层差分图像自顶向下融合检测感兴趣的运动目标,并在HSV空间中去除阴影.背景模型的初始化和更新方法基于2种假设:一是背景点出现的概率较大;二是距离当前帧越近的点越能真实地描述背景.研究结果表明:该算法能有效地应用于动态背景环境下,可以克服光照变化及阴影的影响.多个标准图像序列的测试证明了该算法具有较高的准确性、鲁棒性和自适应性,时间复杂度低,可以运用于实时检测系统中.     

基于局部特征分析的运动目标检测

提出了一种基于局部特征分析的目标检测方法,该方法是一种新颖的减背景方法.背景用局部纹理进行建模,采用局部二元图(LBP)统一模式直方图来表示纹理特征,并实时地对背景模型进行更新.该方法简单有效,能够适应复杂的动态场景,具有实时性,而且能较好地提取出运动目标.     

基于混合差分法的运动目标检测

为了提高背景重建速度和目标检测精度,提出了基于混合差分的运动目标检测方法.采用一种基于统计模型的区域像素级背景重建方法.结合帧差分法对于环境的适应性和背景差分法目标检测的准确性.首先用帧差分法得到目标最大的可能区域,在该区域进行像素级背景重建.然后用背景差分精确提取目标区域.既克服了单纯帧差分对于目标运动速度的限制,又缩小了背景差分的区域,使运动目标检测的时间复杂度迅速降低.通过实验,验证了该方法在检测精度和速度上的优势,可以应用于视频监控和目标跟踪领域.     

基于视频监控的运动目标检测

运动目标检测是计算机视觉、视频信息处理等应用领域的重要研究内容。本文采用基于减背景技术的运动目标实时检测:首先利用统计的方法得到背景模型,并实时的对背景更新以适应光线和场景本身的变化,然后用当前帧和背景差分,得到运动目标,利用形态学方法和检测连通域面积消除噪声和背景扰动带来的影响,得到较为准确的运动目标。     

基于加权图传播最优化的网络社区检测算法

社交网络中的社区检测作为数据挖掘领域的热门研究课题,具有很大的应用价值。然后现有的方法大多需要利用网络拓扑结构作为先验知识,但是在真实网络中很难获取网络拓扑数据,造成了扩展性差、准确度低的问题。为解决此问题,提出了一种基于传播级联最大化的社区检测算法N-CD(Neighbor Community Detection),利用条件随机场(Conditional Random Field, CRF)对网络中传播级联的时间序列进行建模,捕捉邻居节点之间影响力传播与社区划分的关系特征,然后采用最大似然估计的方式对构建的概率图模型进行推理优化,从而得到最优的网络社区划分。实验表明,N-CD算法在真实数据集上取得了最优的检测结果,在准确度和社区数量上都更加接近真实的社区划分。     

基于运动轮廓标记提取的分水岭运动目标检测

针对运动目标差分相乘产生的空洞问题,提出了一种基于运动区域轮廓信息和自适应标记约束的分水岭运动目标检测新算法,来实现移动机器人平台上较大运动目标的完整检测.首先,结合相位相关法和Fourier-Mellin变换配准图像的缩放和平移量;然后,利用运动区域轮廓信息和分层投影法来提取前景和背景标记.先通过连续三帧配准图像差分相乘方法检测出运动区域轮廓,并结合形态学腐蚀、膨胀操作和投影法生成前景和背景标记模板;再将前景和背景标记模板分为若干层,通过水平投影得到每一层轮廓的边界点,并按一定方式连接得到前景和背景标记;最后,根据重构的梯度图像,用标记约束分水岭分割出完整的运动区域.实验结果表明,该算法能够准确完整地分割出规则和非规则运动目标,具有较好的实时性.     

基于加权统计模型和遗传算法的人像目标检测

目的 研究基于加权统计模型和遗传算法的人像目标检测方法。方法 提出用于检测非刚性图像目标的一种加权统计模型,该模型含有待检测目标样本的统计值,可有效解决图像目标发生形变和倾斜情况下检测器的适应性问题。     

基于加权运动估计多层次检测的帧率转换算法

为了增强帧率转换的有效性,该文提出了一种基于运动估计多层次检测的帧率转换算法。该算法首先利用加权运动估计优化调整的方法检测精确的运动矢量;其次利用码本模型(Codebook model)的运动估计分割检测前景区域;然后利用多级重叠块运动补偿重分类的方法检测能反映物体真实运动轨迹的运动矢量。该过程中,采用了预处理方法保证边缘结构信息的完整性,并且利用重分类和平滑方法对不可靠运动区域进行细化处理,有效地降低了传统方法中的方块效应和重影现象;最后利用运动补偿内插实现帧率转换。实验结果表明:该算法相对于传统方法,更适用于背景复杂或快速运动变化的视频,主观视觉效果和客观评估标准上都有所提高,并且具有很好的适应性。     

基于ART2网络的运动目标检测

从仿生学角度出发,分析了ART2网络和视网膜细胞结构之间的类别关系,通过扩展感知能力和调整警戒值等方式完备ART2网络单元的功能,运用ART2网络模拟视网膜的信息处理过程,提出了一种用ART2网络模拟视觉细胞来处理像素点的色彩信息的有效处理方法,并给出了该方法在运动目标检测领域的一个应用实例。试验结果表明,用ART2网络仿生处理符合人眼观察事物的生理和心理特点,能较好地处理幽灵和无序扰动等常见问题。     

基于背景重构的运动目标检测算法

针对背景差分算法中的参考帧提取问题,引入动态时间弯折(DTW)算法,给出了一种新的基于块的背景重构方法。该算法根据相邻两帧图像所对应的背景区域灰度变化不大的特点,利用DTW算法从帧中提取出背景区域所对应的块,再确定出背景帧。仿真结果表明,即使是在图像存在几何畸变和部分像素点缺省的情况下该算法仍能准确地重构背景,实现对运动目标的提取。     

基于OpenCV的运动目标检测与跟踪

提出了一种基于OpenCV的视频应用程序的开发方法.将Intel公司开放的OpenCV源代码作为开发的视频应用程序的基础函数库,改写或调用其中的函数,可根据需要用C++语言开发视频应用程序,从而克服了视频应用程序开发周期长、效率低的缺点.给出了部分OpenCV具体的设置方法和过程,并通过利用OpenCV编写的运动目标检测与跟踪的应用程序验证了该方法的有效性和可行性.对图像进行形态学去噪、平滑滤波处理和二值化阈值分割等图像预处理,获得二值化黑白图像.通过轮廓提取和跟踪检测得到车辆和人的外轮廓,进而实现运动目标的跟踪.在VC ++ 6.0环境下,利用OpenCV编程实现了此方法.实验结果表明,该方法可行.     

基于LRP的自适应运动目标检测算法

传统的运动目标检测算法主要基于像素值的统计模型,对于光照突变和噪声极为敏感.为此,提出了一种基于局部比率模式(LRP)的自适应运动目标检测算法.使用LRP描述视频图像序列中像素特征,通过自适应核密度估计对像素特征进行建模,提取出运动目标.实验结果表明,该算法适应光照变化,有良好的检测性能.     

基于OpenCV的运动目标检测与跟踪

提出了一种基于OpenCV的视频应用程序的开发方法。将Intel公司开放的OpenCV源代码作为开发的视频应用程序的基础函数库,改写或调用其中的函数,可根据需要用C++语言开发视频应用程序,从而克服了视频应用程序开发周期长、效率低的缺点。给出了部分OpenCV具体的设置方法和过程,并通过利用OpenCV编写的运动目标检测与跟踪的应用程序验证了该方法的有效性和可行性。对图像进行形态学去噪、平滑滤波处理和二值化阈值分割等图像预处理,获得二值化黑白图像。通过轮廓提取和跟踪检测得到车辆和人的外轮廓,进而实现运动目标的跟踪。在VC++6.0环境下,利用OpenCV编程实现了此方法。实验结果表明,该方法可行。     

基于背景差法的运动目标检测

视频序列图像中,视频分割的主要目的是要在视频序列中分割出具有意义运动对象实体.背景差法能够很好地从一段视频中提取出运动目标.可靠的背景图像的提取是该算法的关键.表述了一种新的背景提取算法,利用图像序列的灰度统计特性来提取背景图像,并利用Surendra背景更新算法根据每帧图像对背景进行更新已获得可靠的背景.然后,将当前帧与背景作差,并对差值图像进行适当处理,这样运动目标就能够被精确地提取出来.     

基于运动目标检测的视频存储策略

运动目标检测和视频存储是嵌入式视频监控系统中的两个重要功能。对于背景不变区域监控的存储,本文提出了一种基于背景减除算法(运动目标检测)的视频存储策略。该策略大大提高了磁盘空间的利用率。     

基于对称EMD的运动目标检测

针对静态场景下运动目标的方向检测问题,提出一种基于对称EMD的运动目标方向检测方法。借助背景差分和加权的思想,对背景模板作更新处理;借助背景模板和小区域斑点清除,提取运动目标;依据运动目标和对称EMD结构,设计运动目标的运动方向量计算模型。仿真实验结果表明,在背景差分法及图像去噪方法辅助下,该运动方向检测方法能有效对运动目标的运动方向进行判定,对监控运动目标的运动行为有一定的应用潜力。     

基于改进的差分相乘运动目标检测

针对传统帧间差分在目标检测中的不足,提出了基于改进的差分相乘的运动目标检测方法.该算法通过四帧差分分别和混合高斯建模得到的背景图像差分之后再相与,然后通过阈值技术得到运动目标,背景自适应的更新减少了噪声和光照变化对检测的影响,从而解决传统帧差法可能出现的无法检测完整目标的现象.实验表明,改进算法改善了传统帧差法中存在的较多伪目标点与空洞现象,提高了运动目标检测的效率和准确性.