颜色和纹理特征的运动目标检测

针对复杂场景中运动目标检测这一难题,提出利用RGB颜色特征和尺度不变局部三元模式的运动目标检测算法。利用时域中值法得到估算背景图像并快速初始化背景模型。通过颜色特征、纹理特征相似性度量,融合得出背景概率网络,通过侧抑制滤波提高对比度分类出前景与背景像素,前景像素进一步进行阴影检测,将阴影点归为背景点,但不用于模型更新。将算法与GMM、SC-SOBS、SUBSENS算法在变化检测数据库中进行对比验证。实验表明,新算法在满足实时性的基础上,对动态背景,阴影和相机抖动等有一定的鲁棒性。     

基于颜色和纹理特征背景模型的多层差分运动目标检测算法

提出了一种可以剔除阴影、光照变化影响的运动目标检测算法.该算法分别建立基于颜色和梯度信息的背景差分模型,即为每一个像素建立了基于LBP的纹理特征模型,对于颜色信息采用了一种对颜色测量光度不变性的表示方法,背景模型的更新类似于Stauffer等提出的高斯模型,仅在权值更新中采用了具有滞后作用的策略的更新方法.在前景检测过程中采用了两层的判断过程,在像素层,通过用纹理和颜色的统计模型将每个像素划分为成前景或背景,在第二层,对于颜色特征差分得到前景区域的边界部分统计得到其LBP纹理信息,然后与纹理模型检测得到的同一区域边界的纹理信息进一步比较,剔除由于阴影、光照变化引起的前景误判.     

融合高斯混合模型和小波变换的运动目标检测

当前景目标与背景在颜色上接近时,仅采用高斯混合模型进行目标检测容易导致误判。为了提高模型分割算法的鲁棒性,提出一种融合高斯混合模型和小波变换的运动目标检测算法。通过小波变换提取图像的纹理特征信息,利用高斯混合模型拟合背景信息。将两者融合起来,把纹理信息作为颜色信息的补偿,保证了模型在线更新背景信息时模型的稳定性和收敛性,同时弥补了目标分割中前景与背景颜色信息接近时容易导致误判的不足。实验结果表明,本文方法比经典高斯混合模型方法具有较高的分割精度。     

一种基于纹理和颜色置信融合的运动目标检测方法

针对运动目标检测中单特征背景模型存在的局限性,如基于颜色特征的背景模型对光照和阴影敏感,基于纹理特征的背景模型易产生空洞,提出了一种以置信度融合RGB颜色特征和SILTP(Scale Invariant Local Ternary Pattern)纹理特征的运动目标检测方法。以像素点SILTP纹理信息值和RGB颜色信息值及他们各自的置信度构建背景模型。分别计算当前像素点与背景模型的纹理差异度和颜色差异度,通过置信度融合的方法计算当前像素与背景模型的总体差异度,以达到更好的融合效果。采用ViBe算法的更新策略更新背景模型。通过前景像素点8邻域内的背景像素点的统计方法去噪点。wallflower和Data2014数据集上的实验结果表明,所提出的融合方法能有效抑制阴影,对光照有良好的鲁棒性,在复杂动态背景下能取得良好的效果。     

在线高斯混合模型和纹理支持的运动分割

运动分割是基于视频的运动分析中的基本问题．通过颜色和纹理特征的线性组合,实现了一种新的检测运动目标的算法．在线高斯混合模型不仅用于对背景进行更新,而且也用于计算像素颜色差异和颜色权值;纹理特征用于描述局部区域内的结构信息,提高了运动检测算法的鲁棒性．对不同场景的运动分割结果表明,该算法是高效和实用的．     

结合置信度加权融合与视觉注意机制的前景检测

目的 在视频前景检测中,像素级的背景减除法检测结果轮廓清晰,灵活性高。然而,基于样本一致性的像素级分类方法不能有效利用像素信息,遇到颜色伪装和出现静止前景等复杂情形时无法有效检测前景。为解决这一问题,提出一种基于置信度加权融合和视觉注意的前景检测方法。方法 通过加权融合样本的颜色置信度和纹理置信度之和判断前景,进行自适应更新样本的置信度和权值;通过划分子序列结合颜色显著性和纹理差异度构建视觉注意机制判定静止前景目标,使用更新置信度最小样本的策略保持背景模型的动态更新。结果 本文方法在CDW2014（change detection workshops 2014）和SBM-RGBD（scene background modeling red-green-blue-depth）数据集上进行检测,相较于5种主流算法,本文算法的查全率和精度相较于次好算法分别提高2.66%和1.48%,综合性能最优。结论 本文算法提高了在颜色伪装和存在静止前景等复杂情形下前景检测的精度和召回率,在公开数据集上得到更好的检测效果。可将其应用于存在颜色伪装和静止前景等复杂情形的视频监控中。     

一种自适应学习的混合高斯模型视频目标检测算法

为解决背景模型的更新问题,提高视频运动目标检测性能,通过定义像素样本对模型更新的有效因子,提出一种自适应学习的混合高斯模型检测算法。用样本有效因子的历史累加量反映背景模型的质量,并用于动态调整模型更新速度。同时,对检测出的前景区域进行目标分析,由分析结果间接控制模型更新,保证更新的准确性和模型的稳定性。实验结果表明,该算法可以快速适应背景变化,同时保证目标检测的完整性。算法性能已在不同监控场景中得到验证。     

光照突变场景中结合Phong模型的分层差分前景检测

针对前景检测中光照突变问题和非平稳背景扰动问题,提出一种块级-像素级分层背景差分结合Phong模型的前景检测方法。首先,利用块级Sigma-delta背景差分算法快速检测前景区域且有效处理非平稳背景,然后利用Phong模型对前景区域进行光照突变处理提取出粗目标,最后利用像素级Sigma-delta算法对粗目标执行像素级前景提纯操作和对背景进行更新。实验表明,该方法在光照突变场景中及非平稳背景中能鲁棒实现前景检测。     

基于新的阈值化方法的背景减法改进

首先将一种新的基于颜色空间模型的阈值化方法用于背景减法中. 该阈值化方法利用每个像素的颜色畸变和亮度畸变检测出场景中所有的运动, 其中像素的颜色畸变检测考虑了颜色向量所处的空间位置; 同时该阈值化方法在一定程度上抑制了运动阴影的影响. 其次, 将一种双阈值化方法用于背景减法中, 实现了复杂场景下前景目标的提取. 通过VSSN 05和PETS 2006测试视频的实验, 验证了本文提出算法的有效性.     

基于区域提取与改进LBP特征的运动目标检测

树叶晃动、光照变化等自然场景下的动态背景会影响运动目标检测的准确性,区分动态背景和前景目标的变化是复杂场景下运动目标检测的首要任务.针对现有的前景提取算法逐点提取前景从而导致计算资源浪费的问题,提出了一种区域提取与改进LBP(Local Binary Patterns)纹理特征相结合的运动目标检测算法.首先,将图像分为大小相等的图像块,利用各图像块的统计特性建立核密度估计(Kernel Density Estimation,KDE)模型,并用KDE模型估计出前景区域.然后,计算前景块中所有像素点的改进LBP纹理特征直方图.最后,通过直方图匹配提取所有的前景像素实现目标的精确提取,并用概率模型更新背景.实验结果表明,该方法在快速提取运动目标前景区域的同时能够消除大部分动态背景产生的干扰,相比传统算法更适用于自然场景下的运动目标检测.     

面向随机模型检验的模型抽象技术

随机模型检验是经典模型检验理论的延伸和推广,由于其结合了经典模型检验算法和线性方程组求解或线性规划算法等,并且运算处理的是关于状态的概率向量而非经典模型检验中的位向量,所以状态爆炸问题在随机模型检验中更为严重.抽象作为缓解状态空间爆炸问题的重要技术之一,已经开始被应用到随机模型检验领域并取得了一定的进展.以面向随机模型检验的模型抽象技术为研究对象,首先给出了模型抽象技术的问题描述,然后按抽象模型构造技术分类归纳了其研究方向及目前的研究进展,最后对比了目前的模型抽象技术及其关系,总结出其还未能给出模型抽象问题的满意答案,并指出了有效解决模型抽象问题未来的研究方向.     

基于模型误差的交互式多模型算法

本文考虑了模型与真实模式之间可能存在的差异,分析了由此引发的问题.提出一种基于模型误差的交互式多模型算法,其中模型集合使用最小距离设计方法设计.Monte-Carlo仿真实验表明,新方法比IMM能更好地避免性能恶化,并且当真实模式保持不变时,从全局角度考虑新算法比IMM优越.     

Model interoperability via Model Driven Development

Among the factors that contribute to the inherent complexity of the software development process is the gap between the design and the formal analysis domains. Software design is often considered a human oriented task while the analysis phase draws on formal representation and mathematical foundations. An example of this dichotomy is the use of UML for the software design phase and Petri Nets for the analysis; a separation of concerns that leads to the creation of heterogeneous models. Although UML is widely accepted as a language that can be used to model the structural and behavioural aspects of a system, its lack of mathematical foundations is seen as a serious impediment to rigorous analysis. Petri Nets on the other hand have a strong mathematical basis that are well suited for formal analysis; they lack however the appeal and the ease-of-use of UML. A pressing concern for software developers is how to bridge the gap between these domains and allow for model interoperability and the integration of different toolsets across them, and thus reduce the complexity of the software development process. The aim of this paper is to present a Model Driven Development (MDD) model transformation which supports a seamless transition between UML and Petri Nets. This is achieved by model interoperability from UML Sequence Diagrams to Petri Nets and supported by tool integration. The model transformation framework allows a software system to be designed in terms of UML Sequence Diagrams and subjected to formal analysis by taking advantage of the strong mathematical framework of Petri Nets. The behaviour of a Personal Area Network will be used to illustrate the proposed approach and to highlight model interoperability and tool integration through the design, the transformation and the analysis phases.     

UML模型到FSM模型的转换

通常可采用UML的各种图从Web应用不同方面对其进行建模.当对Web应用模型进行测试和验证时,需要分别考虑这些采用了不同图形描述的模型,这就带来了测试和验证的繁琐.如果将UML各种图转换到有限状态机(FSM)模型,则可以统一用FSM模型来表示、验证和测试.提出了基于状态迁移特性保持规则的UML到FSM的模型转换方法,特别针对UML状态图中的3种基本组成单元到FSM模型的转换,给出了各自的转换方法,并实现了原型工具UML2FSM.     

一种新的网格环境模型——TGrid Model

在分析了现有网格环境不足的基础上,提出一种新的网格环境模型——基于树形结构的网格体系与环境TGrid,支持高性能计算,面向主题的资源共享和新一代的需求建模。它以树结构来组织网格节点和集成各种资源,实现了自底向上、多级、面向需求的资源抽象和多种资源融合。而且树型结构符合自然层次组织关系,容易实现网格系统的层次化管理,有利于减轻中心节点的负载和实现大规模应用的负载平衡,提高资源查找效率。同时,TGrid以虚拟资源的形式实现网格资源的共享,利用分布式JVM（TJVM）虚拟网格节点上CPU和主存资源,利用多数据库中间件（TDOD）实现数据库级资源集成和共享,利用Globus网格服务（GService）实现其他软件和数据资源共享。该树型网格为日益增长的网格应用的需求提供了新的解决方案。     

一种可用于数据和模型分享的模型链

机器学习开始在越来越多的行业中得到应用,但使用机器学习执行任务的软件一直受限于第三方软件商更新模型.文中基于区块链,将训练神经网络消耗的算力和区块链的工作量证明机制相结合,提出并实现了模型链.模型链作为一种可用于分享数据和机器学习模型的区块链,基于骨架网络训练神经网络模型,以全网节点匿名分享的数据作为训练模型的数据集,实现了不依赖第三方更新神经网络模型.模型链使用环签名来保护用户数据隐私,节点训练的模型使用统一的测试集评估,通过评估的模型将作为节点的工作量证明用于投票达成一致共识.文中提出了两种可行的激励机制,即物质奖励和模型奖励.对于潜在的威胁,如账本分析、脏数据攻击和欺骗投票,给出了相应的解决方案.实现了一个用于数字识别的模型链.实验结果表明,模型链中的模型可以适应实际场景下发生的用户变迁和数据变化.     

基于云模型的服务信任模型

针对Web服务中信任的主观性和不确定性等特点,提出一种基于云模型的信任建模方法,并给出了直接信任云、推荐信任云、综合信任云的计算方法及基于时间权重的信任更新算法．同时,该模型运用具体的服务能力评价信息来量化服务的信任度,增强了模型的客观性,使其能较好地量化实体的真实信任水平,提高网络中实体的交互成功率．实验与分析结果表明,该模型在网络环境中具有较好的效果．     

从面向对象模型到关系模型

文章首先概述了面向对象模型设计的方法,然后着重讨论了将面向对象模型转换为关系模型及关系模型优化的问题,最后给出一个应用实例。     

一种数据仓库的概念模型-样本模型

数据仓库概念模型设计是数据仓库设计和实施的基础,是决定数据仓库成功与否的关键之一。该文介绍了一种数据仓库的概念模型-样本模型,它以事件为中心组织实体,并给出了描述实体之间层次、分类、组合关系的方法,以及确定样本库模式的原则和方法。最后给出了从ER模型向样本模型转换的方法。     

一种可用于数据和模型分享的模型链

机器学习开始在越来越多的行业中得到应用,但使用机器学习执行任务的软件一直受限于第三方软件商更新模型.文中基于区块链,将训练神经网络消耗的算力和区块链的工作量证明机制相结合,提出并实现了模型链.模型链作为一种可用于分享数据和机器学习模型的区块链,基于骨架网络训练神经网络模型,以全网节点匿名分享的数据作为训练模型的数据集,实现了不依赖第三方更新神经网络模型.模型链使用环签名来保护用户数据隐私,节点训练的模型使用统一的测试集评估,通过评估的模型将作为节点的工作量证明用于投票达成一致共识.文中提出了两种可行的激励机制,即物质奖励和模型奖励.对于潜在的威胁,如账本分析、脏数据攻击和欺骗投票,给出了相应的解决方案.实现了一个用于数字识别的模型链.实验结果表明,模型链中的模型可以适应实际场景下发生的用户变迁和数据变化.