排序方式: 共有16条查询结果,搜索用时 15 毫秒
1.
在视频监控系统已被广泛应用的今天,基于监控视频的群体异常事件检测已成为保障社会安全的迫切需要,越来越受到人们的重视。该文基于这一现状,提出了一个新的群体异常事件检测方案,实现对监控视频自动高效的检测。在特征提取方面,提出了显著性光流直方图特征描述符,并利用该特征描述符构建字典;在字典优化方面,提出了基于聚类的多字典组合学习框架,将原始的大字典分为多个子字典;最后,对于测试样本,找出最适合的子字典并计算测试样本在该子字典下的重建误差,即可判断测试样本是否异常。在两个数据集上的实验表明,与其它方法相比,该文提出的方法对拥挤场景下监控视频中的群体异常事件检测取得了较好的检测性能。 相似文献
2.
由于传统的人脸识别算法效果容易受制于光照、表情、遮挡以及稀疏大噪声等外界因素的影响,如何有效提取数据特征、进一步提升算法的鲁棒性,是传统人脸识别方法发展的关键所在。本文将多矩阵低秩分解应用在人脸特征提取中,充分利用多张人脸之间的结构相似性,探索人脸图像集的低秩子空间,进而结合低秩矩阵恢复模型来提取测试样本的低秩特征。最后, 利用主成分分析(Principal component analysis, PCA)算法对所提取的特征矩阵进行进一步降维,并运用稀疏表示方法分类。实验结果表明,当样本中存在一定的椒盐噪声时,本文算法在AR、Yale和CMU_PIE人脸库上均具有较好的识别精度,验证了本文算法对椒盐噪声的鲁棒性。 相似文献
3.
企业的信用量化评级是影响金融市场资金流向和借贷成本的重要因素.研究中小微企业信贷风险的量化问题.对于有信贷记录的企业,将有效发票占比、实际利润、进货总额、未违约率作为4个要素,建立基于层次分析法的企业信贷风险量化模型,得到了企业的信用评分;对于无信贷记录的企业,建立神经网络模型预测其未违约率,量化分析了信贷风险.研究结果为银行制定信贷策略提供了理论支撑. 相似文献
4.
在目标检测中,框回归损失函数的设定直接影响预测框的定位准确性。预测框与目标框的交并比(IOU)被设定为优化预测框的损失函数,但是当两框无重叠面积时无法进行梯度回传。广义的交并比(GIOU)在IOU损失函数的基础上增加非重叠面积部分,将两部分优化项作为损失函数调整预测框位置,解决了无法梯度回传的情况。但当两框是包含关系时,GIOU的第二部分优化项消失,损失函数退化为IOU。为了解决以上问题,提出了一种重新定义的广义交并比损失函数(RGIOU),将非重叠部分面积定义为两框之并减去两框之交,再除以两框形成的最小闭包面积作为第一部分,除以最小闭包面积的平方作为第二部分,利用权重阈值进行加和形成新的损失函数。避免了两框是包含关系时存在的问题,提升了目标检测算法的精度。上述算法在PASCAL VOC 2007以及MS COCO 2014数据集上加以验证。 相似文献
5.
实例分割对排除建筑工地不规则机械设备带来的安全隐患以及监测工人具有重要意义。然而当前主流的实例分割模型存在着边界检测精度不高的问题。结合实例分割的特点,提出了一种基于全局上下文通道注意力(GCCA)机制多阶段细化掩码的改进Mask R-CNN模型。首先,在Mask头部以多阶段的方式逐步融合细粒度特征,细化高质量掩码。其次,为了更好的融合细粒度特征,构建了GCCA注意力机制,其通过简化的全局上下文模块聚合全局特征,并利用一维卷积实现无降维的局部通道交互。实验结果表明,在COCO和MOCS数据集上均取得了较好的效果。其中,相较于Mask R-CNN模型,此算法在检测和分割的平均精度分别提高了2.4%和7.6%。 相似文献
6.
7.
针对传统压缩感知重建算法存在重建质量偏低、重建时间偏长等问题,本文提出了一种基于分离字典训练的快速重建算法.首先选取某类图像作为训练集,建立其广义低秩矩阵分解模型;其次采用交替方向乘子法求解该模型,训练出一组分离字典;最后将该分离字典用于图像重建中,通过简单的线性运算实现图像的快速重建.实验结果表明,本文算法相比于传统的重建算法,针对训练集同类图像,具有十分显著的重建性能,对于其他不同类型的图像,依然有不错的重建质量,极大地降低了重建时间. 相似文献
8.
扫描文档图像纠偏的关键是对图像偏转角度进行快速准确的估计。传统的基于图片自身纹理结构的算法,如Hough变换、Radon变换,不仅易受文档自身特殊结构或噪声影响,而且单幅图像纠偏的平均耗时较长。提出了一种基于低秩矩阵分解理论扫描文档图像的批量纠偏方法,该方法将批量图像构造成一个较大的矩阵,通过迭代对每一列进行适当地旋转,达到矩阵具有较低秩的目的,进而实现对每副图像偏转角度的恰当估计及纠偏。实验结果表明,该方法不仅具有较高纠偏的精度,而且单幅图片的平均耗时也小于现有的图片纠偏算法。 相似文献
9.
随着智慧城市建设的不断深入,大量的传感器设备铺置在城市公路和轨道等交通场景,为多维度全方位感知城市交通状态构建了广泛的感知网络,产生了海量的交通视频数据。海量交通视频数据是城市管理的数据宝藏,理解与分析这些数据是智慧城市建设的关键。面对高度冗余的交通视频数据,如何高效准确地挖掘和提取结构化信息,实现对重点目标(如人、车、物)的快速检测、识别与检索,是交通视频处理的核心问题——交通视频结构化分析。交通视频结构化分析包括车辆视频结构化分析、人员结构化分析及其行为分析。其中,车辆结构化作为一个复杂的多步骤任务,主要由车辆的检测、车辆的属性(车牌、车型和颜色)识别以及车辆的检索和重识别等子任务构成。人脸结构化和行人结构化是交通视频中行人结构化智能分析中的两个重要研究方向,主要分析人脸或者行人的一些表观属性。行人行为分析是指对行人在复杂交通环境下做出的动作进行识别和预测。本文从交通视频中的车辆、行人及其行为分析等方面,阐述交通视频结构化分析领域的研究热点及前沿进展,汇总比较国内外的相关成果,并对交通视频结构化分析领域的研究进行总结分析与展望。 相似文献
10.
当前监控视频数据呈现海量增长,针对监控视频的前景目标提取已成为未来城市建设的重点研究方向.为了更加准确高效地检测视频前景目标,并且能同时适用于静态和动态背景的视频,提出了一种基于多尺度背景差的视频前景检测算法.该算法以背景差法为基础,加入了多尺度高斯金字塔影像进行改进,充分利用了多尺度图像的优点,在大尺度图像中能检测出更多目标细节,在小尺度图像中能更有效地检测出目标轮廓.运用MATLAB编程与两种常用的视频前景检测算法进行了比较和分析,并且利用Recall和Precision指标进行了精度评定.实验结果表明,这种方法检测精度较高,抗噪能力较强,不管在静态背景还是动态背景的视频中,都能取得很好的检测效果. 相似文献