基于单值中智集的协同过滤推荐算法

为缓解推荐系统中用户模糊评价带来的推荐准确性低的问题,构建基于单值中智集的协同过滤推荐模型.首先,构建用户—项目评分矩阵,划分用户评分等级,并将用户评分按照单值中智计算公式转换得到评分对应的真值隶属度、不确定值隶属度、非真值隶属度.然后,引入极端评价计算公式,将其作为极端评分惩罚系数,得到基于单值中智数分数的相似度计算公式.最后,结合杰卡德相关系数得到最终用户相似度.基于单值中智集的协同过滤推荐方法在公开数据集MovieLens上比较验证,实验结果发现融合单值中智集的方法在RMSE、MAE评价指标上均比其他方法有2％～3％的提升,能够有效提高推荐精度,更好地处理模糊问题.     

基于背景减法和时空熵的运动目标检测新方法

从图像序列或视频中检测运动目标是计算机视觉领域中一个基础而关键的任务,但是,运动目标的检测结果通常会因背景变化(光照、背景抖动)而受到干扰.针对以上问题,提出了一种结合背景减法和时空熵的运动目标检测新方法.算法首先利用改进∑-⊿方法构建背景图像,然后用当前帧图像和背景图像做差,得到差分图像.通过计算差分图像的时空熵,可以有效地检测出目标.实验结果表明,新方法可以检测复杂背景下的运动目标,而且对阈值不敏感,算法耗费时间少,易于实现.     

基于动态阈值对称差分和背景差法的运动对象检测算法*

提出一种基于动态阈值对称差分和背景差法的运动对象检测算法.首先通过建立一个基于统计的可靠背景更新模型,由背景差法得到基本准确的前景图像;然后与用对称差分法得到的差分图像综合;最后得到完整可靠的运动目标图像.中间采用了一种动态的最优阈值获取方法,然后用形态学滤波和连通区域面积检测进行后处理,以消除噪声和背景扰动带来的影响,并用区域填充算法来填补目标区域的小孔,从而将视频序列中的运动目标比较可靠地检测出来.实验结果表明,该方法快速、准确,有一定的实际应用价值.     

一种适于公交乘客计数的自适应背景更新算法

在基于视频图像处理的乘客计数系统(APC)中,背景与前景目标的分割是运动目标检测的关键。针对公交车APC系统的特征,在背景差法的基础上,结合相邻帧差以及平均灰度差,提出了一种自适应背景更新算法,以此为基础,实现了视频图像序列中的运动目标检测。通过对公交车实验采集的视频图像进行处理,证明算法能够克服光线的变化及干扰物体的影响,有效地实现目标分割。     

基于局部更新的分层码本目标检测算法

为了解决复杂环境下如树木摇摆、水波晃动等波动式干扰及光照变化对运动目标检测产生影响的问题,给出了一种基于码本模型的运动目标检测算法。考虑到实际场景中背景的变化主要体现在亮度方面,首先对视频序列图像进行颜色空间转化,由RGB空间转化到YUV空间,然后利用Box模型优化了码本模型参数和训练策略。目标检测时,采用局部背景更新方法,即利用帧差法确定变化区域,结合分层码本思想,实时更新背景模型,以达到精确提取运动目标的目的。对比实验表明在背景中存在扰动或者光照发生变化等情况下,该算法都能够对运动目标进行有效检测,具有一定实用性和鲁棒性。     

相机抖动场景中数据驱动的背景图像更新算法

视频序列中的运动目标检测是计算机视觉领域的重要研究课题.背景减除是运动目标检测的有效方法,但相机抖动会对背景提取带来极大干扰,从而可能造成传统基于模型的图像处理方法模型失真.本文提出了相机抖动场景下前景图像提取的数据驱动背景图像更新控制算法.首先利用Harris特征检测进行背景补偿以消除抖动干扰.然后利用无模型自适应控制方法,建立单入单出控制系统来表示背景图像并进行实时更新.最后运用背景减除法提取运动目标前景图像.本文方法与传统基于模型方法进行了不同视频序列的对比仿真.实验结果表明,本文方法可以有效处理相机抖动场景下的运动目标检测问题,目标前景图像分离效果更加接近真实场景.     

基于自适应帧差和水平集的运动目标检测和分割

首先采用自适应帧差法对视频中运动目标进行检测,依据帧差面积的变化趋势选择采用2帧差法还是3帧差法来自动调节帧差面积,以防止检测目标的丢失;然后采用数学形态学方法对帧差图像进行后处理,根据帧差区域的质心移动推测运动目标的质心位置,同时将帧差区域拟合为与其具有相同标准2阶中心矩的椭圆,从而确定测地活动轮廓(GAC)模型的初始轮廓.水平集函数在归一化传导率非线性热方程的约束下,消除了耗时的重新初始化过程,减少了迭代次数和运行时间.实验结果表明了所提出算法的有效性.     

基于背景差分的人体运动检测

本文对视频序列中的运动目标检测方法进行了研究,提出了一种基于背景差分的运动目标检测算法.首先通过建立混合高斯模型,获取背景图像,并对背景进行实时更新.然后通过背景差分法确定运动目标区域,再进行图像处理,得到较为精确的运动目标.最后利用八连通域算法,对多个目标进行分割.实验证明,该方法能够快速、准确的检测出多个运动目标.     

基于单值中智集的投资决策方案优选模型

为了优化投资决策方案优选模型,提出一个基于单值中智环境下的多属性决策问题的新方法。首先给出一个基于单值中智集的广义距离公式,然后通过语言变量确定了决策专家和属性指标的权重,接着构建了加权的综合决策矩阵,进一步得到各备选方案与正负理想方案的距离,利用相对贴近度系数对各备选方案就进行综合排序,得到最优决策方案。最后通过一个投资决策的实例,验证了该模型的有效性和实用性。     

嵌入式运动目标提取实时图像处理系统

针对大数据量、高速传输复杂的图像处理算法,以Matrox Oddysey图像处理卡为基础,设计了多目标实时图像处理系统.提出了一种结合帧间减法与背景自适应更新的算法,完成实时交会处理任务,满足靶场弹道试验任务的实时性要求.自适应背景更新是一种有效的用于视频序列图像运动目标检测的算法.该领域中很多方法被提出来,但是很少提及用于实时处理系统.我们着眼于算法的高速性并提出一种足够快的方法用于弹道测量系统.用高斯分布建立每个像素的灰度模型,这个分布用来区分前景和背景像素以便用来更新背景模型.     

Semantic Plane-Structure based motion detection with a nonstationary camera

This paper presents a novel method to accurately detect moving objects from a video sequence captured using a nonstationary camera. Although common methods provide effective motion detection for static backgrounds or through only planar-perspective transformation, many detection errors occur when the background contains complex dynamic interferences or the camera undergoes unknown motions. To solve this problem, this study proposed a motion detection method that incorporates temporal motion and spatial structure. In the proposed method, first, spatial semantic planes are segmented, and image registration based on stable background planes is applied to overcome the interferences of the foreground and dynamic background. Thus, the estimated dense temporal motion ensures that small moving objects are not missed. Second, motion pixels are mapped on semantic planes, and then, the spatial distribution constraints of motion pixels, regional shapes and plane semantics, which are integrated into a planar structure, are used to minimise false positives. Finally, based on the dense temporal motion and spatial structure, moving objects are accurately detected. The experimental results on CDnet dataset, Pbi dataset, Aeroscapes dataset, and other challenging self-captured videos under difficult conditions, such as fast camera movement, large zoom variation, video jitters, and dynamic background, revealed that the proposed method can remove background movements, dynamic interferences, and marginal noises and can effectively obtain complete moving objects.© 2017 ElsevierInc.Allrightsreserved.     

嵌入式系统中视频运动对象分割

提出了一种基于嵌入式系统的视频运动对象分割算法。首先利用差图像法抽取出运动的像素点，然后通过统计像素点的状态变化频率来区分运动物体和动态背景，并配合一权值状态矩阵将全局光照突变和动态背景像素自适应融合到背景中，从而分割出运动对象并进行跟踪。实验结果表明，该算法在嵌入式系统中实时跟踪运动目标取得了很好的效果。     

基于低秩表示动态更新投影的在线运动目标检测

视频图像中运动目标检测是机器视觉领域的重要研究内容,旨在将序列图像中的背景和前景进行有效分离。在研究几种典型运动目标检测算法的基础上,提出了一种基于低秩表示动态更新投影的在线运动目标检测算法。采用低秩表示方法对若干连续视频帧进行低秩分解,并将分解所获得的低秩部分对应的左奇异值矩阵的正交补引为投影矩阵;再构建投影模型,拟合出数据的稀疏前景;最后采用视频分段分析法则对投影矩阵进行动态更新,从而保证所分离的背景以及前景的有效性。在Curtain等多个视频数据库上与其他算法进行了对比实验,实验结果表明所提算法具有很好的检测效果,对复杂的运动前景和动态背景的处理表现出很强的鲁棒性。     

基于帧间差分的自适应运动目标检测方法*

本文提出了一种基于帧间差分的自适应运动目标检测算法。算法利用直方图统计各像素点处最大概率灰度的方法提取出连续视频的背景图像;相邻帧利用帧差法得到运动区域图像;利用运动区域图像与背景图像差分的方法提取出运动目标。实验结果表明,该算法能在多个不确定性因素的序列视频中较好的提取背景图像,能及时响应实际场景变化,提高运动目标检测的质量。     

基于运动点积累的视频运动目标提取

通过对视频中运动目标特点的分析,提出了一种提取背景图像的算法。使用运动点积累的方法来更新背景图像,然后应用背景差分准确检测出场景中的运动目标。由于视觉的相似性,使得检测出的目标包含阴影,最后使用阴影滤波函数去除阴影,得到完整的运动物体。实验结果表明,本算法具有较好的实时性和适应性,能检测出比较完整的运动目标信息。     

基于运动显著性的移动镜头下的运动目标检测

针对移动镜头下的运动目标检测中的背景建模复杂、计算量大等问题,提出一种基于运动显著性的移动镜头下的运动目标检测方法,在避免复杂的背景建模的同时实现准确的运动目标检测。该方法通过模拟人类视觉系统的注意机制,分析相机平动时场景中背景和前景的运动特点,计算视频场景的显著性,实现动态场景中运动目标检测。首先,采用光流法提取目标的运动特征,用二维高斯卷积方法抑制背景的运动纹理;然后采用直方图统计衡量运动特征的全局显著性,根据得到的运动显著图提取前景与背景的颜色信息;最后,结合贝叶斯方法对运动显著图进行处理,得到显著运动目标。通用数据库视频上的实验结果表明,所提方法能够在抑制背景运动噪声的同时,突出并准确地检测出场景中的运动目标。     

基于对极几何约束的动态背景下运动目标检测

针对动态背景下运动目标的检测问题,提出了一种基于对极几何约束的检测方法。该方法利用了视频序列中相继帧对应的背景角点满足对极几何约束条件这一原理,先提取前一帧的Harris角点,然后利用金字塔分层的Lucas-Kanade光流法获得在下一帧的对应点;利用随机采样一致性算法估计出基础矩阵,来识别背景角点和前景角点;对得到的前景角点进行聚类,每一类对应于一个运动目标区域。实验结果表明,该方法检测准确度高、检测速度快,满足实时处理的需求。     

运动目标检测的ViBe算法改进

目的 目标检测在智能交通、自动驾驶以及安防监控中均有重要的地位,ViBe算法是常用的运动目标检测算法,它主要由背景模型初始化、前景检测、背景模型更新3部分组成,其思想简单,易于实现,运算效率高,但当初始帧有运动目标时,检测结果会出现“鬼影”现象,且易受噪声和光照变化影响,不能适应动态场景。同时,其逐帧逐像素进行前景检测,在计算复杂度方面有较大提升空间。为解决这些问题,提出一种改进的ViBe算法,称为ViBeImp算法。方法 在背景模型初始化时,用多帧平均法给出初始背景,采用该初始背景构建初始背景样本模型。在前景检测过程中,采用背景差分法、帧差法与OTSU算法相结合给出半径阈值的自适应计算方法。同时,根据背景差分法找出运动区域,只对运动区域进行前景判断和模型更新,降低算法的计算复杂度。结果 对25个不同场景视频分别给出ViBeImp算法在初始化背景,自适应半径阈值和计算复杂度方面改进的结果及有效性指标,实验结果表明,与ViBe、ViBeDiff2、ViBeIniR,以及Surendra等算法和高斯混合模型相比,ViBeImp算法对噪声、光照和背景动态变化有较好的鲁棒性,检测结果更完整,且实时性较好。同时,ViBeImp算法将ViBe算法的查准率、查全率以及F1值分别提高了17.98%、11.40%和15.96%。结论 ViBeImp算法采用多帧平均法构建初始背景可有效地消除“鬼影”,并给出半径阈值的自适应计算方法,使ViBe算法更快适应视频环境变化,准确且完整地检测出运动目标,具有较低的误检率和漏检率。该方法克服了ViBe算法对初始背景以及视频环境的依赖,很大程度上提高了运算速度,具有很好的鲁棒性和适用性。     

运动目标检测算法在军用视频监控系统中的应

在充分分析了现有算法在复杂背景下所存在的不足的基础上,提出了一种适用于军用视频监控系统的基于视频序列象素时空相关性检测的运动目标检测方法.该方法首先用每一帧中目标的空间相关性检测出目标;再用序列图像中目标的时间相关性检验目标的真实性,从而最终确定是否有运动目标.实际应用表明,采用该算法的系统能很好地检测出运动目标,并具有较强的抗干扰能力.     

融合时域信息的修正分水岭视频分割新方法

提出一种将时域信息融入分水岭的视频分割新方法,以帧间变化检测为基础,通过运动边缘信息得到对象的初始模型,利用时域信息得到前景和背景的标识,结合提出的彩色多尺度形态学梯度算子进行分水岭分割,得到具有精确边界的视频对象,对慢变和快变的目标均有良好的效果,能够检测新出现的运动对象和现有对象的消失,能够定位和跟踪运动目标.继承了变化检测和分水岭算法速度快的优点,克服了两者易受噪声影响的缺点.