版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、在智能視頻監(jiān)控、運(yùn)動(dòng)分析、人機(jī)接口的姿態(tài)識(shí)別等應(yīng)用中,一個(gè)基礎(chǔ)而又關(guān)鍵的任務(wù)是從視頻序列中實(shí)時(shí)檢測(cè)出運(yùn)動(dòng)目標(biāo)。對(duì)于固定攝像頭監(jiān)控系統(tǒng),混合高斯法是最成功的運(yùn)動(dòng)檢測(cè)方法之一?;旌细咚狗ㄖ饕婕暗饺矫妫夯旌细咚鼓P蛯W(xué)習(xí)、模型分類和運(yùn)動(dòng)檢測(cè),經(jīng)典混合高斯法在這些方面都做了非常了不起的開(kāi)創(chuàng)性工作,在應(yīng)用中取得很大的成功。但經(jīng)典方法也存在一些不足之處,本文在研究經(jīng)典算法的基礎(chǔ)上提出部分改進(jìn),開(kāi)展了如下研究工作: (1)在線模型學(xué)習(xí)是該方
2、法的要點(diǎn)所在。經(jīng)典在線模型學(xué)習(xí)方法,模型收斂比較慢。本文通過(guò)研究,發(fā)現(xiàn)對(duì)于均值和方差,兩者的在線學(xué)習(xí)過(guò)程有著本質(zhì)差別?;谶@一點(diǎn)本文提出:均值與方差采用不同的學(xué)習(xí)率,其中均值更新采用自適應(yīng)的學(xué)習(xí)率,方差的學(xué)習(xí)率采用固定值。該方法提高了模型的收斂速度,同時(shí)保證了學(xué)習(xí)系統(tǒng)的穩(wěn)定性。 (2)決定哪些模型是背景,是一個(gè)啟發(fā)式問(wèn)題,如何正確地定義背景并有效地表達(dá)背景是一個(gè)難點(diǎn)問(wèn)題。由于場(chǎng)景的復(fù)雜性,經(jīng)典方法在繁忙場(chǎng)景下,運(yùn)動(dòng)物體大而慢時(shí),
3、運(yùn)動(dòng)目標(biāo)檢測(cè)的效果不理想。本文在考慮更多的時(shí)間相關(guān)性基礎(chǔ)上,針對(duì)模型分類,提出“權(quán)值均值”概念,然后結(jié)合權(quán)值進(jìn)行像素點(diǎn)的前景和背景分類。該方法為模型分類提供了更多信息量,有效地提高了運(yùn)動(dòng)目標(biāo)的檢測(cè)能力。 (3)運(yùn)動(dòng)檢測(cè)是算法的最終目的。由于經(jīng)典算法在匹配閾值上,局限于單像素點(diǎn)的考慮,難以獲取完整目標(biāo)。本文在研究PCNN算法基礎(chǔ)上,提出了自適應(yīng)局部閾值算法;其次,改進(jìn)方法結(jié)合區(qū)域增長(zhǎng)思想,利用PCNN的迭代計(jì)算,逐步檢測(cè)出運(yùn)動(dòng)目標(biāo)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于自適應(yīng)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè).pdf
- 基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究.pdf
- 基于改進(jìn)的混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法
- 基于高斯混合模型的紅外運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究.pdf
- 基于改進(jìn)的混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法.pdf
- 基于高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究和應(yīng)用.pdf
- 基于高斯混合背景模型運(yùn)動(dòng)檢測(cè)與DSP實(shí)現(xiàn).pdf
- 基于改進(jìn)混合高斯模型的前景檢測(cè)算法研究.pdf
- 基于自適應(yīng)背景替換的運(yùn)動(dòng)對(duì)象檢測(cè)算法研究.pdf
- 基于混合高斯模型的智能視頻多目標(biāo)檢測(cè)算法研究.pdf
- 基于高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè).pdf
- 自適應(yīng)混合高斯目標(biāo)檢測(cè)方法研究.pdf
- 基于能量檢測(cè)的自適應(yīng)頻譜檢測(cè)算法研究.pdf
- 單高斯背景模型運(yùn)動(dòng)目標(biāo)檢測(cè)算法的研究改進(jìn).pdf
- 基于背景減法的運(yùn)動(dòng)檢測(cè)算法研究.pdf
- 基于自適應(yīng)高斯混合模型說(shuō)話人識(shí)別的研究.pdf
- 基于自適應(yīng)LBP的圖像文本檢測(cè)算法.pdf
- 基于層次貝葉斯自適應(yīng)稀疏的高斯混合模型.pdf
- 自適應(yīng)混合高斯背景建模算法的GPU并行優(yōu)化研究.pdf
- 自適應(yīng)高斯混合模型及說(shuō)話人識(shí)別應(yīng)用.pdf
評(píng)論
0/150
提交評(píng)論