排序方式: 共有66条查询结果,搜索用时 15 毫秒
1.
智能视频监控在人们生产生活中的应用越来越广,区域入侵检测是智能视频监控的一个重要方面。主要研究了基于目标跟踪的区域入侵检测方法。首先采用混合高斯模型进行运动物体检测,在实际验证中获得了较好的前景检测效果;进一步采用了Mean-Shift算法对从前景检测图像中提取出的运动物体进行实时跟踪,能够实时标记出运动物体并绘制出运动轨迹。采用OpenCV的运动物体跟踪算法框架,在Qt软件开发平台上进行了算法验证,获得了较好的实验效果,充分验证了算法的跟踪效果和实时性,具有实际工程指导价值。 相似文献
2.
窗宽自适应Mean-Shift跟踪算法 总被引:2,自引:0,他引:2
针对固定窗宽Mean-Shift算法在目标运动速度过快或尺度发生明显变化时可能导致跟踪失败的问题,提出一种窗宽自适应的Mean-Shift跟踪算法。该方法基于均值漂移矢量预测跟踪窗口中心位置,同时自动调整跟踪窗口大小,保证目标始终处于跟踪窗口内部,使算法得以准确定位目标;在确定空间位置后,利用基于Bhattacharyya系数的二分法自动选取窗口缩放比例,得到与目标尺度一致的跟踪窗口。实验结果证明,该方法能很好地定位目标的空间位置和尺度。 相似文献
3.
基于距离信息的Mean-Shift跟踪算法 总被引:1,自引:1,他引:0
针对图像制导目标跟踪系统在跟踪过程中,成像视角和距离的变化带来的跟踪漂移问题,提出了利用距离信息动态更改Mean-Shift算法跟踪窗口尺度的算法。依据初始跟踪时选定的目标模板,建立目标的灰度特征模型,确定初始跟踪窗口尺度;在跟踪过程中依据距离信息来动态更新跟踪窗口尺度,保证在跟踪系统逐渐接近目标的过程中跟踪窗口能够完全包括或者绝大部分包含目标;在每一帧跟踪收敛后利用Bhattacharyya相关系数对目标模板进行非线性更新。以Vega产生的模拟飞行视频数据进行了算法仿真,结果表明:该算法能够适应目标不断膨胀的情况,在很大程度上降低跟踪漂移。 相似文献
4.
针对初始点选择不当导致K—means陷入局部最小值问题,提出一种结合自适应mean-shift与最小生成树(MST)的K—means聚类算法。将数据对象投影到主成分分析(PCA)子空间,给出自适应mean.shift算法,并在PCA子空间内将数据向密度大的区域聚集,再利用MST与图连通分量算法,找出数据的类别数和类标签,据此计算原始空间的密度峰值,并将其作为K.means聚类的初始中心点。对K—means的目标函数、聚类精度和运行时间进行比较,结果表明,该算法在较短的运行时间内能给出较优的全局解。 相似文献
5.
经典的Mean-Shift跟踪算法以颜色直方图为特征对目标进行跟踪。颜色直方图反映的是图像中颜色的组成情况,即出现了哪些颜色以及各种颜色出现的次数。颜色直方图具有旋转不变性、缩放不变性等优点,经常用于图像检索,即通过比较颜色直方图的差异来衡量两幅图像在颜色全局分布上的差异。但是颜色直方图不能反映颜色的空间分布特征,当跟踪目标与背景色颜色相近时可能造成错误跟踪,导致跟踪失败。考虑目标颜色空间分布特征,将空间分布信息融入颜色直方图中,提出了基于空间颜色直方图的Mean-Shift跟踪方法,全面地反映了颜色的整体分布信息和空间分布信息。在VC 6.0上利用新方法和经典Mean-Shift跟踪方法分别对发生遮挡的视频和快速运动的视频进行跟踪,实验结果表明,提出的新方法能够更好地对目标进行跟踪,避免跟踪过程中的目标丢失。 相似文献
6.
7.
Mean—Shift算法作为一种高效的模式匹配算法,已经广泛地应用在实时性要求较高的目标跟踪系统中,但标准的Mean—shift跟踪算法缺乏窗口尺度自动更新机制无法满足图像中运动目标尺寸变化的需要。在分析图像的轮廓检测的基础上提出了一种窗口自动更新方法,实验证明本算法能够有效地跟踪尺寸变化的目标并且提高了跟踪精度,增强了跟踪稳定性。 相似文献
8.
9.
低速率拒绝服务(LDoS)攻击是一种拒绝服务(DoS)攻击改进形式,因其攻击平均速率低、隐蔽性强,使得检测LDoS攻击成为难点。针对上述难点,提出了一种在软件定义网络(SDN)的架构下,基于加权均值漂移-K均值算法(WMS-Kmeans)的LDoS攻击检测方法。首先,通过获取OpenFlow交换机的流表信息,分析并提取出SDN环境下LDoS攻击流量的六元组特征;然后,利用平均绝对值百分比误差作为均值漂移聚类中欧氏距离的权值,以此产生的簇心作为K-Means的初始中心对流表进行聚类,从而实现LDoS攻击的检测。实验结果表明:在SDN环境下,所提方法对LDoS攻击具有较好的检测性能,平均检测率达到99.29%,平均误警率和平均漏警率分别为1.97%和0.69%。 相似文献
10.
针对多工况注塑过程的在线质量预测问题,考虑了过程数据高维、耦合、非线性等特点,采用拉普拉斯特征映射(LE)方法实现过程数据的非线性降维;在低维特征空间中采用Mean Shift聚类算法完成样本的工况聚类,以便注塑过程的工况分析和知识挖掘;同时运用Mean Shift原理,提出一种新样本的在线工况识别方法;最后应用基于混合粒子群(PSO)参数寻优的偏最小二乘支持向量机(PLS-LSSVM)方法,建立了多工况注塑过程的产品质量软测量模型。实验结果表明,相较于PLS-LSSVM方法,本文方法的预测精度和泛化性能均有明显提高,可为实际注塑企业提供一种效果良好的多工况产品质量在线预测方法。 相似文献