融合ICA和GBVS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,本文将独立分量分析(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本文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.     

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.     

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.     

一种适用于无线通信系统的半盲ICA算法

针对独立分量分析(ICA)应用于无线通信系统时存在分离信号无法识别和多径混合信号分离难以实现两个问题,提出一种基于通信协议先验信息的半盲ICA算法(Semi-ICA).该算法先利用通信协议帧头中的已知符号来确定分离向量的初始值,然后通过ICA得到最终的分离向量.与基于少量正交训练序列或扩频码的半盲算法相比,Semi-ICA的优势在于利用一般通信系统都具有的协议信息来设计半盲算法,并且不需要同步和估计多径时延,因此适用范围更加广泛.单径和多径信道下的仿真结果表明:Semi-ICA能够解决传统ICA存在的两个问题,比全盲和非盲算法有更好的信干噪比(SINR)性能.     

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MRF分层高斯混合模型的脑MR图分割

脑部磁共振(MR)图像由于偏移场和噪声存在灰度不均的特点.针对传统高斯混合模型应用于MR图像分割中存在噪声和异常值敏感等问题,提出一种基于马尔可夫随机场(MRF)的分层高斯混合模型分割算法.将传统的高斯混合模型进行分层处理,使用高斯混合模型替代其中的高斯分布;针对图像像素点构建MRF,更新分层高斯混合模型的先验概率;根...     

一种基于ICA的盲源分离定点迭代算法

介绍了一种基于ICA的定点速代算法，并给出算法的模型、步骤和仿真结果。该算法以峰度作为独立性判决准则，在迭代过程中，使用定点算法，快速有效地分离出任意分布的非高斯独立源信号。实验表明，与传统的基于随机梯度的ICA算法相比，谊算法具有收敛速度快，无需动态参数的优点，是一种高效可靠的盲信号分离算法。     

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。     

基于高斯混合模型的Kinect深度图像增强算法

深度图像获取是当前三维视频领域重要的研究课题.微软Kinect传感器可以获取到实时的稠密深度图,但往往在深度图中存在大量的空洞并且获取的深度图不稳定.针对这些问题,提出一种应用高斯混合模型实时修复的算法,首先要把彩色图像和深度图像对齐裁剪,然后通过高斯混合模型(GMM)把深度图像的前景和背景分离,针对不同的区域做不同的处理,对背景空洞做基于背景的填充,前景空洞采用颜色匹配算法进行处理,最后对处理后的深度图像做中值滤波处理去除噪声.实验证明,该算法在复杂前景物体和大面积深度缺失的情况下都可以有效填充深度图像中的大、小空洞,保留了物体边缘,尤其在遮挡物体的深度重建上,可以取得较好的重建效果.     

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.     

基于三帧差分混合高斯背景模型运动目标检测

针对混合高斯背景模型运动目标检测的光照突变误检以及突然运动目标的“鬼影”问题,提出了一种基于三帧差分的混合高斯背景模型运动目标检测算法。通过图像前景检测比例判断光照是否发生突变,利用三帧差分法对图像的背景区域、运动区域和背景显露区域进行划分,并根据光照情况及时改变各区域的学习率以调节混合高斯模型背景迅速更新,设计了基于三帧差分的学习率自适应混合高斯模型背景更新的方法。该方法使光照突变及目标突然运动后产生的新的背景模型得到迅速更新,从而改善这两种情况下运动目标检测效果。实验结果表明,该算法避免了光照突变时的大面积误检现象,并且同时解决了突然运动目标的“鬼影”问题。     

煤矿烟雾的计算机视觉检测方法

针对煤矿井下传统火灾探测器在检测烟雾时受空间限制的局限性,提出计算机视觉和多特征加权融合的烟雾检测方法.通过基于模糊逻辑的图像增强方法对图像进行增强以改善所获取的图像质量,再通过混合高斯模型实现对疑似运动目标区域的提取.在充分分析烟雾图像特征的基础上,基于统计模式的方法实现了烟雾静态特征、动态特征的提取,利用加权的方法将烟雾图像特征融合起来,实现对烟雾的在线检测.研究结果表明:该方法不受环境、探测距离等因素限制,可有效克服煤矿井下低照度、有光照变化以及视频图像有噪声等特点,且无需对分类器训练,该法具有简单、灵敏度高、实时性强、检测率高等特点.     

一种基于混合高斯模型运动目标检测新算法

针对传统的混合高斯模型算法检测时存在较多噪声的不足,提出了一种基于混合高斯模型与三帧差法相结合的运动目标检测算法。该算法首先分别通过混合高斯模型算法和三帧差法各获得一幅前景图像,然后将两幅图像进行逻辑或运算;再对获得的图像进行自适应中值滤波处理,并利用连通域阈值面积去噪法除去剩余的噪声,最终提取出运动目标。实验仿真结果表明,利用该方法可以有效地提高运动目标的检测率。     

基于ICA和波束形成的快速收敛的BSS算法

独立分量分析(Independent Component Analysis,ICA)的BSS算法是一种分离信号的有效方法,但是该方法在进行非线性优化时收敛速度较慢.针对这一问题,本文介绍了一种新的BSS算法,即基于ICA和波束形成的混合算法,该算法比通用的基于ICA的BSS算法具有更好的分离性能,并且由于在ICA中利用了零波束形成,因而有效地改善了算法的分离性能和收敛性能.实验结果表明,该算法适用于混响情况.     

基于改进深度信念网络的校园烟雾检测

近年来,人工智能技术和计算机视觉技术迅速发展。基于卷积神经网络(CNN)的深度学习在图像分类、目标检测、人脸识别、语义分割等计算机视觉领域取得了成功的应用。与传统的计算机视觉方法相比,深度学习算法避免了人工的复杂度,可以从大量的图像数据集中学习复杂的表示。提出了一种新的基于深度信念网络的烟雾检测方法。首先采用背景差分检测法提取高运动区域。在第二阶段,从RGB及亮度中提取烟雾像素。从不同的前景区域提取了改进型的局部二值模式,不仅获得烟雾的纹理特征,而且利用色调饱和值颜色空间计算了烟雾的强度和颜色。最后,采用改进深度信念网络进行分类。实验表明提出的方法具有较高的准确性和较好的鲁棒性。     

一种引入虚拟噪声分量的独立分量分析语音增强算法

简要介绍了有关独立分量分析(ICA)的基本理论和算法后,探讨了独立分量分析在语音增强中的应用。针对在加噪模型中进行ICA分离时,噪声消除比较困难这一问题通过理论分析,引入了虚拟高斯白噪声的概念,将其应用在ICA的语音增强算法中得到了解决。仿真试验结果表明,该方法能有效地消除语音信号中的白噪声。     

基于改进混合高斯模型的前目标提取算法

前目标提取问题已经得到广泛的研究,而传统的混合高斯背模型提取的前目标含有许多误差点。针对这一缺点,本文对静态态背和动态背两种情况建立一种基于局部密度特征的改进的混合高斯模型,并设计相应的提取算法。实验结果表明,新算法可以精确地将前目标与背目标分离,得到的提取效果基本不含误差点,明显优于传统的混合高斯模型。     

基于色彩分割与局部模型匹配的非刚性目标跟踪

针对固定监控场景提出了一种基于色彩分割与局部模型匹配的目标跟踪方案.利用自适应混合高斯背景模型提取前景运动目标,通过基于区域生长的色彩分割算法建立目标局部模型并实时更新,结合区域约束条件和模型特征匹配实现目标跟踪.实验结果证明,本算法能有效地实现多运动目标的跟踪,对跟踪过程目标部分遮挡与形变问题具有良好的适应性和鲁棒性.