一种改进视觉背景提取（ViBe）算法的车辆检测方法

视觉背景提取(visual background extractor,ViBe)算法应用在车辆检测时存在一个比较明显的缺点,即当视频第1帧中存在待检测的移动车辆时,在后续帧的车辆检测过程中,对应第1帧中车辆的位置处会出现鬼影并且鬼影会持续一段时间才会彻底消失,从而干扰后续帧的检测效果。提出一种改进的ViBe建模方法,新方法在前n帧中实现初始模型的初始化,并结合ViBe算法的更新方法进行模型更新。在不同分辨率、不同场景的视频中对原算法和提出的改进方法进行对比实验,实验结果表明,在第1帧中不包含车辆和包含车辆2种情况下,提出的改进的算法都能有效地检测出移动车辆且不会产生鬼影的问题。因此,改进方法比原算法更有效和实用。     

Neuromorphic Continuous-Time State Space Pole Placement Adaptive Control

Abstract: A neuromorphic continuous-time state space pole assignment adaptive controller is proposed, which is particularlyappropriate for controlling a large-scale time-variant state-space model due to the parallely distributed nature ofneurocomputing. In our approach, Hopfield neural network is exploited to identify the parameters of a continuous-timestate-space model, and a dedicated recurrent neural network is designed to compute pole placement feedback control law inreal time. Thus the identification and the control computation are incorporated in the closed-loop, adaptive, real-timecontrol system. The merit of this approach is that the neural networks converge to their solutions very quickly andsimultaneously.     

基于REMOS的远距离语音识别模型补偿方法

封闭环境中远距离语音识别会受到混响效果的影响,从而降低语音识别率。混响建模(reverberation modeling for speech recognition,REMOS)是一种在模型域进行混响补偿的新方法,该方法在已知声源位置的情况下能有效提升远距离语音识别精度。但在实际应用中,往往难以预测声源的位置。利用最大后验概率的原理,基于对房间不同区域进行有区别补偿的思想,在按帧的隐马尔可夫模型 (hidden Markov model,HMM)补偿的基础上,提出一种在封闭环境中新的模型补偿方法。该方法利用K均值聚类K-means算法对房间冲击响应 (room impulse response,RIR)的优化集进行聚类,对所属相同类的混响模型进行合并处理,再把合并后的混响模型载入维特比算法中,对清晰语音的HMM模型进行按帧补偿。最后采用后验概率方法选择最佳补偿,使得模型域的混响补偿能最接近精确补偿。实验证明,该方法能进一步提升远距离语音识别的精度。