基于Parzen核估计的动态背景建模算法

利用非参数估计理论核密度估计方法,研究了多模态场景参考帧的动态维护与更新问题.针对户外伴有树木晃动、水波荡漾等问题的复杂环境,在利用Parzen核估计算法进行动态背景建模的基础上.对该算法进行改进.首先,在运动前景检测阶段,给出了一种改进的阈值设定算法,提高了像素点分类的准确性.其次.在去除噪声阶段,利用像素邻域相关性,降低了目标检测的虚警率.实验结果表明:该算法可更有效地对运动目标进行检测,并具有较强的实时性.     

基于时域相关性的背景建模算法

针对监控视频前景存在较强的时域相关性降低背景建模性能的问题,提出一种基于时域相关性的背景建模算法。该算法有以下两个创新点:提出LDBCBR(Long Distance Block Composed Background Reference)算法,使用背景搜索间隔IBBS来削弱前景的时域相关性,生成更纯净的背景模型;提出二次建模算法,将LDBCBR和BCBR结合使用,当它们在同一位置都搜索到临时背景块时,将搜索到的临时背景块进行二次建模得到最终背景图像。实验结果表明,算法能够建模生成更纯净的背景图像,与BCBR算法和基准档次对比获得的BD-Rate增益分别为3.12%和25.70%,对监控视频编码有很大提升。     

基于SVM用户建模的核函数选择研究

用户建模是从用户偏好数据中建立用户偏好模型的过程,用户偏好数据具有系统运行初期的稀疏性和非线形的特点。支持向量机(Support Vector Machine,简称SVM)具有小样本学习、非线形处理的能力,是合适的用户建模工具。SVM的非线形处理能力主要依赖于核函数,采用不同的核函数进行建模对模型的预测效果有重大影响。本文重点研究核函数的选择对基于SVM建模方法的影响,从中选取了表现较优的小波核函数,构建性能突出的SVM进行用户建模。实验证明该建模方法可以有效地从小样本数据中学习用户偏好信息,建立反映用户真实偏好的用户模型。     

基于核函数与马氏距离的FCM图像分割算法

针对模糊聚类算法邻域信息与空间信息利用率低易受噪声影响的问题,提出一种结合核函数与马氏距离的FCM算法,即FCMKM算法。首先,将图像像素点由低维空间通过核函数非线性映射到高维空间;然后,利用马氏距离替换原有的欧氏距离作为高维空间距离量度;最后,利用改进后的算法对图像进行分割。为验证FCMKM算法的性能,选取Bezdek划分系数、Xie-Beni系数、重构错误率、运行时间、迭代次数五个评测指标作为对比实验的评价标准。实验结果表明,与传统FCM算法、基于核函数的FCM算法、基于马氏距离的FCM算法相比,FCMKM算法能有效地提高模糊聚类算法的抗噪性。     

一种快速核密度估计背景建模方法

针对核密度估计背景建模方法运算量大难以实时应用的问题,提出了一种基于背景直方图分布的快速核密度估计背景建模方法。选用三角核函数进行核密度估计,根据三角核带宽函数的截断效应,引入背景分布的直方图完成快速背景建模,在保证目标检测准确性的同时提高运算速度。测试实验结果验证了算法能够满足监控系统的实时性要求。     

MISO系统的混合核函数LS-SVM建模

将LS—SVM非线性建模思想应用于锌钡白转窑煅烧过程的MISO系统建模．研究发现,系统选取不同的核函数,对模型的拟合性能和预测(泛化)性能有很大的影响．采用基于混合核函数的LS—SVM建模方法解决上述问题,该方法可使系统具有满意的模型拟合输出,能有效抑制局部核函数所引起的预测输出波动,取得了良好的综合辨识效果．     

基于多个混合核函数的SVM决策树算法设计

不同的核函数具有不同的特性,SVM决策树中每个子SVM面对的分类对象不同,选取的核函数及其参数也应该不同。通过调节混合核函数的参数形成不同的核函数,给出了一个用多个混合核函数训练SVM决策树的多类分类算法。仿真试验表明,该算法与只用一个核函数训练SVM决策树的算法相比,具有较高的分类精度。     

基于核函数的PCA-L1算法

主成分分析方法由于使用了L2范数,因此对异常值较敏感。针对该问题,提出一种基于核函数的L1范数主成分分析方法。运用核函数将原始数据映射到核空间中得到核矩阵,再利用L1范数使距离函数达到最小。实验结果表明,该算法具有旋转不变性,对异常值和非线性问题具有稳定性,且正确识别率较高。     

高斯核函数卷积神经网络跟踪算法

针对深度学习跟踪算法训练样本缺少、训练费时、算法复杂度高等问题,引入高斯核函数进行加速,提出一种无需训练的简化卷积神经网络跟踪算法。首先,对初始帧目标进行归一化处理并聚类提取一系列初始滤波器组,跟踪过程中结合目标背景信息与前景候选目标进行卷积;然后,提取目标简单抽象特征;最后,将简单层的卷积结果进行叠加得到目标的深层次特征表达。通过高斯核函数加速来提高算法中全部卷积运算的速度,利用目标的局部结构特征信息,对网络各阶段滤波器进行更新,结合粒子滤波跟踪框架实现跟踪。在CVPR2013跟踪数据集上的实验表明,本文方法脱离了繁琐深度学习运行环境,能克服低分辨率下目标局部遮挡与形变等问题,提高复杂背景下的跟踪效率。     

利用切比雪夫不等式的背景建模算法

针对运动目标检测问题中的背景建模问题,提出一种结合切比雪夫不等式和核密度估计的背景建模方法.首先利用样本均值与样本方差及切比雪夫不等式,快速计算各像素点属于前景和背景的概率,判别出前景点、背景点及可疑点.对可疑点再利用核密度估计方法,估计其属于前景与背景的概率密度来进行背景前景判别,最后通过设定阈值完成实时背景建模.实验结果证明,利用切比雪夫不等式能快速区分有明显特征的前景点与背景点,采用背景更新算法能得到理想的背景图像,降低了背景图像提取的误差,显著地提高了背景建模的速度.     

联合判别式核相关滤波视觉跟随算法

目标跟踪算法是计算机视觉领域的热门技术之一,拥有广阔的发展前景.核相关滤波视觉跟踪算法由于循环矩阵构造正负训练样本,避免求逆的大量运算,显著提高计算速度而受到广泛关注.但是,核相关滤波算法存在一定局限性,无法应对现实环境存在的遮挡、目标尺度变化、背景模糊等复杂多变的干扰因素.因此提出一种改进型核相关滤波算法.该算法不仅...     

基于颜色和边缘信息融合的背景建模方法

提出一种颜色和边缘信息融合的背景建模方法。在像素级利用基于颜色特征的背景差方法,将像素分类为前景像素和背景像素。给出一种新的基于边缘特征的背景差方法,将边缘分类为前景边缘和背景边缘。将前景像素聚类为不同的目标区域,利用前景边缘信息识别出真实运动目标和虚假运动目标。实验表明,该方法可以有效地去除由于局部突然光照变化和背景静止目标的移动造成的虚假运动目标,提高运动目标检测的精确率。     

基于长时间视频序列的背景建模方法研究

针对现有背景建模算法难以处理场景非平稳变化的问题,提出一种基于长时间视频序列的背景建模方法.该方法包括训练、检索、更新三个主要步骤.在训练部分,首先将长时间视频分段剪辑并计算对应的背景图,然后通过图像降采样和降维找到背景描述子,并利用聚类算法对背景描述子进行分类,生成背景记忆字典.在检索部分,利用前景像素比例设计非平稳状态判断机制,如果发生非平稳变换,则计算原图描述子与背景字典中描述子之间的距离,距离最近的背景描述子对应的背景图片即为此时背景.在更新部分,利用前景像素比例设计更新判断机制,如果前景比例始终过大,则生成新背景,并更新背景字典以及背景图库.当出现非平稳变化时（如光线突变）,本算法能够将背景模型恢复问题转化为背景检索问题,确保背景模型的稳定获得.将该框架与短时空域信息背景模型（以ViBe、MOG为例）融合,重点测试非平稳变化场景下的背景估计和运动目标检测结果.在多个视频序列上的测试结果表明,该框架可有效处理非平稳变化,有效改善目标检测效果,显著降低误检率.     

摄像机自由运动环境下的背景建模

提出了在摄像机运动情况下使用多层Homography匹配算法进行背景建模的方法。该方法中,场景可以被看作由多个平面所组成,使用RANSAC方法找到场景中不同的平面,即多层Homography。每个像素点肯定在某个平面上,通过所属平面相应的Homography变换,就能使相邻两帧重叠视野中的像素点进行匹配,这样就能对场景进行背景建模。实验结果表明,该方法能有效地在摄像机运动环境中进行像素点级别的背景建模。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背景模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验,比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背蒂模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验．比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

一种改进的帧差和背景减相结合的运动检测方法

针对帧差和背景减相结合的运动检测方法存在的不足,进行了以下3个方面的改进：①利用灰度拉伸变换和结合了灰度值信息的邻域相关系数计算方法,解决了背景的误判问题;②通过在帧差和背景减相结合的策略中加入运动分析,解决了缓慢运动目标的漏检问题;③采用运行期更新法更新背景模型,避免了复杂场景下背景模型的退化。实验结果表明,改进后的方法显著改善了帧差和背景减相结合的运动检测方法在背景误判、缓慢运动目标漏检以及背景模型退化等方面存在的问题。     

基于核方法的非线性时间序列预测建模

提出了一种基于核的非线性时间序列预测建模方法。对非线性时间序列的相空间进行重构以确定其嵌入维数,并提出一种基于核主成分分析的非线性时间序列相空间重构方法,针对时间序列的时序特征,采用一种加权的支持向量回归模型对时间序列预测建模。在不同基准数据集上的实验结果表明,与通常的基于普通支持向量回归的建模方法相比,该文所提出的预测建模方法具有较高的精度,说明所提方法对非线性时间序列的预测建模是有效的。     

核方法的探讨及其应用

核方法是机器学习中一种新的强有力的学习方法。针对核方法进行了探讨,给出了核方法的基本思想和优点。同时,描述了核方法的算法实现并举例进行了说明。     

一种核密度估计动态场景建模算法

利用非参数估计理论核密度估计方法，研究了多模态场景参考帧的动态维护与更新问题。针对背景存在小运动的复杂场景，提出了一种基于多样性采样机制的核估计动态场景建模算法。从包含运动物体的训练图像序列中，提取具有较高频度和多样性的灰度新样本集，建立背景高斯核密度估计模型，并利用背景帧差值法检测运动物体。多样性样本集很好地表征了训练样本的关键信息，避免了采用全样本产生的信息冗余和重复计算，使估计阶段的计算简单有效。通过与全样本方法在运动物体检测效果上的时比，验证了本文算法的有效性。