排序方式: 共有146条查询结果,搜索用时 15 毫秒
11.
针对灰度视频的目标检测依赖先验知识、召回率低以及单一算法无法同时兼顾静态与动态背景等问题,提出一种基于统计的背景建模算法。该算法无需先验知识,根据统计信息可以准确区分静态背景和动态背景,并采取不同的检测策略提取目标。对于静态背景,采用改进的三帧差分法自适应设置阈值,可以保证较高的召回率。对于动态背景,采用改进的概率密度估计法可以有效降低虚警率。采用所提算法对光照变化以及阴影进行处理,可以进一步提升算法的性能。在公开数据集与实际采集红外数据进行验证实验。实验结果表明,所提算法在多种场景中处理灰度视频的结果比其他传统算法好,在保证准确率的同时可以极大地提升召回率,并且有效提高目标的完整性。 相似文献
12.
由于红外光学衍射限和红外探测器的局限,得到的红外图像噪声相对偏大,分辨率偏低。对红外图像进行超分辨率重建可以提高图像分辨率,但同时又会增强背景噪声。针对此问题,提出了基于稀疏编码的红外显著区域超分重建算法,将超分重建和显著度检测相结合,可以提高目标分辨率并降低背景噪声。首先采用双层卷积提取图像特征,并自适应选择图像信息熵较大的图像块用于训练联合字典。然后利用稀疏特征计算显著度获取显著区域,再将显著区域用训练好的字典进行超分辨重建,与目标无关的背景区域采用高斯滤波。实验结果显示改进的重建算法在同等条件下重建效果优于重建模型ScSR和SRCNN,图像信噪比提高3~4倍。 相似文献
13.
《现代电子技术》2020,(6)
通过神经网络和机器学习的方法建立遥感影像的光谱信息与土壤湿度之间的模型,采用遥感手段大范围预测地表土壤湿度。以"天宫二号"2016年9月24日宽波段成像仪采集的可见光近红外谱段影像作为模型输入,选取与"天宫二号"影像相同采集时间和经纬度的SMAP/Sentinel-1 L2土壤湿度产品作为输出,分别通过贝叶斯神经网络算法和随机森林算法建立光谱信息和土壤湿度数据之间的关系。结果表明:采用贝叶斯线性回归反演时,当隐含层节点个数为24时训练效果最好,R~2为0.755,均方根误差RMSE为0.161;采用随机森林机器学习算法反演时,当决策树个数为60时效果最好,R~2为0.809,均方根误差RMSE为0.120。对"天宫二号"影像进行土壤湿度反演时,随机森林模型比贝叶斯神经网络模型的精度更高,拟合效果更好,可以实现较为准确的大范围土壤水分含量预测。 相似文献
14.
在用于封装长波QWIP-LED量子阱探测器的杜瓦研制中,详细阐明了一种用于封装长波QWIP-LED量子阱红外探测器的结构,结构采用侧罩式设计,光信号从红外窗口进入,近红外窗口透出,提出了一种探测器胶接在管座上,管座整体再螺接在冷头的方法,提高探测器的互换性,通过热适配设计,降低低温应力对探测器影响,选择低冷损的TC4材料,降低杜瓦漏热,基本解决了长波QWIP-LED量子阱探测器杜瓦组件的关键技术,性能指标达标,成像效果良好,达到工程封装要求。 相似文献
15.
本文以高精度伺服系统中的永磁同步电机变速扫描为研究对象,针对自抗扰控制器中跟踪微分器(trace differentiator,TD)及扩张状态观测器(expansion state observer,ESO)模块的延时响应和参数复杂等缺点,设计了一种改进的自抗扰控制器,有效简化了其TD和ESO模块并减少可调参数,以实现内外干扰较大的环境下电机的高精度快速响应。将该控制器应用到某型号项目的伺服摆扫镜机构中,并将其性能与同条件下传统比例-积分-微分(proportion-integration-differential,PID)控制器性能作对比。实验结果表明:改进的自抗扰控制器表现出优于PID的控制性能,0°/s^10°/s响应时间75 ms,超调小于6%,稳态精度达到±1%;变速跟踪过程转速波动小,无超调,扫描周期时间波动小于0.0014 s,起始位置角度定位精度高于0.0015°,满足型号项目指标要求。改进的自抗扰控制器对其他搭载永磁同步电机实现变速跟踪扫描的系统也有一定的参考价值。 相似文献
16.
针对红外空中目标,提出了一种基于稀疏表示的快速分类算法.该工作的技术难点表现在训练样本较少,算法需要具有旋转不变性、较高的抗噪性和实时性.针对这些难点,首先根据红外空中面目标的梯度信息和统计特性,计算出图像主方向,然后将主方向旋转至同一参考方向.接着基于稀疏表示原理,把分类问题转化为1范数最小化问题,最后用快速收敛方法得到分类结果.实验结果表明该方法能够达到98.3%的正确率,给测试图像50%的像素叠加噪声后,分类正确率仍大于80%. 相似文献
17.
针对精细导星仪(Fine Guidance Sensor,FGS)姿态测量精度受星点提取系统误差影响的问题,提出了一种基于梯度提升决策树(Gradient Boosting Decision Tree,GBDT)拟合法的高精度星点定位系统误差补偿方法。为了解决拟合样本少、输入特征差别大等问题,采用对输入范围不敏感、易于训练的决策树作为基模型,并根据当前模型拟合残差梯度,结合集成学习中的提升方法生成新的基模型得到系统误差与探测器填充率、采样窗口尺寸、星斑束腰半径以及星点质心坐标计算值之间的函数关系,以此函数关系为基础对星点质心坐标估计值进行系统误差校正。实验结果表明:与支持向量回归机(Support Vector Regression,SVR)相比,基于GBDT的高精度星点定位算法的误差减小了60.6%,经该算法补偿后的质心误差为0.014 5 pixel,相比于质心法误差减小了61.5%。 相似文献
18.
19.