基于自适应背景匹配的运动目标检测算法

为了减小所提取的背景对后续目标检测的影响,提出了基于自适应背景匹配的运动目标检测算法.通过改进的Mode算法结合自适应背景匹配更新机制获得可靠的背景,在此基础上结合绝对差分和具有双动态阈值的Cauchy分布模型建立了目标检测总体模型,从而实现对视频序列中的运动目标进行检测.通过对行人和车辆等不同监控对象的实验,验证了算法具有良好的噪声抑制能力和对慢目标良好的鲁棒性,同时能有效的分割前景目标.     

一种基于Kalman滤波器的自适应背景建模改进算法

基于传统Kalman滤波器理论的背景建模方法,不能很好地解决目标缓慢运动导致背景模型出现拖影的问题。针对该问题,提出了一种结合Kalman滤波器理论与动态区域重构的自适应背景建模改进算法,介绍了Kalman滤波器理论主要思想和改进算法的方法流程与效果。与传统的Kalman背景建模相比,该方法在增加少量计算复杂度的前提下,较好地解决了目标缓慢运动导致背景模型出现拖影的问题,同时也能较好地消除背景噪声。通过对图像序列的仿真实验证明:该方法具有很好的实用性与鲁棒性。     

An edge detection based noise removal algorithm

We present an image denoising method using the edge map of an image. The denoised image is considered as a linear combination of the observed image and its average value, where the coefficients are controlled by a local edge detector. The parameters are set on suitable values related to noise energy computed by the curvature norm of the original image. Implementation can be done in a single iteration and the speed of the process is reasonably high. Noise reduction quality of the introduced method is compared with Wiener and Total Variation based filters for some images. The method appears to be easy, fast and useful for very noisy images. The differences between our method and the patent 6229578 “Edge Detection Based Noise Removal Algorithm” are explained.     

基于自适应背景的实时运动物体检测

为了能够在监控系统中实时的检测出运动物体,提出了一种能够自适应获取并更新背景的运动检测方法。它是利用连续帧差分,当前帧与背景图像差分来获取运动信息,同时选择性的更新背景。实验证明该算法运算量小,鲁棒性好,算法中通过直方图分析来获取合适的阈值,提高了系统的自动化程度。     

基于多尺度自适应扩散方程的边缘检测方法

针对Canny算法对较高密度椒盐噪声和双阈值选取方面存在的不足,提出一种改进方法,采用多尺度自适应各向异性扩散方程对图像进行平滑,有效去除较高密度脉冲信号的同时又可以更好地保留边缘轮廓信息。在双阈值门限的选取上采用最大类间方差法根据图像的灰度信息自适应地选取,可以更好地满足实时性要求。为验证其性能,在不同噪声浓度情况下进行实验,结果表明,改进的边缘检测算法可以更完整地保留边缘信息,提高边缘检测的准确性,得到较理想的边缘轮廓信息。     

An adaptive algorithm based on the immune system and its application to adaptive noise neutralization

We propose an adaptive algorithm based on some features of the immune system (a selection-based mechanism compatible with Edelman’s selectionist principle, self/nonself reference, and negative/positive selection). The algorithm proceeds in three steps: diversity generation, establishment of self-tolerance, and memorizing nonself. This algorithm may typically be used to model the system of distributed agents where the system (the self) as well as the environment (the nonself) are unknown or cannot be modeled. An agent-based architecture based on the local memory hypothesis and a network-based architecture based on the network hypothesis are discussed. The agent-based architecture is elaborated with applications to an adaptive system where knowledge about the environment is not available. An adaptive noise neutralizer is formalized and simulated for a simple plant. Some part of this work has been presented at ICEC 1996, IROS 1996, and AROB 1999.     

基于自适应背景的目标跟踪算法研究

随着现在的社会发展以及经济进步,我国的科学技术方面发展迅速,特别是在技术监控方面更是突飞猛进。为了更好的对目标遮挡影响进行降低,我国在这方面主要依据自适应的技术发展背景下提出目标跟踪计算法,用来完善我国的监督控制技术。这种计算方式第一是根据对观察目标的基本外观形态进行的鉴定与跟踪,将其自身的运动量进行平均计算;其次是根据时空的运行方向与特征进行跟踪目标的计算,建立比较完善整体的运行模型,再根据这个运动模型以及整体的状态对监督目标进行检测与控制,这期间就会形成一种遮挡掩膜。对于掩膜是一种将程序数据等绘制成光刻板,在程序使用期间非常可靠,并且制造成本比较低,使用方便;最后是在不同的使用情况下将不同参数进行收集,自动的适应运动模型的运行。针对这种计算方式的实验主要是利用两种在国际上经常使用的CAVIAR、York数据进行测试,并且根据这两种数据对测试的精准度与多重目标跟踪等进行评定,检测跟踪的整体性能。通过多方面的研究表明这种方式的跟踪的性能非常好,并且还能很好的将跟踪目标的鲁棒性进行遮挡。     

利用背景先验的显著性检测算法

目的 针对图像的显著区域检测问题,提出一种利用背景先验知识和多尺度分析的显著性检测算法。方法 首先,将原始图像在不同尺度下分解为超像素。然后,在每种尺度下根据各超像素之间的特征差异估计背景,提取背景区域,获取背景先验知识。根据背景先验计算各超像素的显著性,得到显著图。最后,将不同超像素尺度下的显著图进行融合得到最终显著图。结果 在公开的MASR-1000、ECSSD、SED和SOD数据集上进行实验验证,并和目前流行的算法进行实验对比。本文算法的准确率、召回率、F-Measure以及平均绝对误差均在4个数据集上的平均值分别为0.718 9、0.699 9、0.708 6和0.042 3,均优于当前流行的算法。结论 提出了一种新的显著性检测算法,对原始图像进行多尺度分析,利用背景先验计算视觉显著性。实验结果表明,本文算法能够完整、准确地检测显著性区域,适用于自然图像的显著性目标检测或目标分割应用。     

An improved adaptive FastSLAM algorithm with time-varying noise estimator

In this study, an adaptive FastSLAM (AFastSLAM) algorithm, which is obtained by estimating the time-varying noise statistics and improving FastSLAM algorithm, is proposed. This improvement was accomplished by using maximum likelihood estimation and expectation maximization criterion and a one-step smoothing algorithm in importance sampling. In addition, innovation covariance estimation (ICE) method was used to prevent loss of positive definiteness of the process and measurement noise covariance matrices. The proposed method was compared with FastSLAM by calculating the root mean square error (RMSE) using different particle numbers at varying initial process and measurement noise values. Simulation studies have shown that AFastSLAM provides much more accurate, consistent, and successful estimates than FastSLAM for both robot and landmark positions.     

基于背景估计的运动检测算法

为了有效检测出运动目标静止后的轮廓和抑制视频抖动给运动检测带来的影响,提出了基于背景估计的运动检测算法。采用带模板遮罩的背景更新策略来避免目标前景区域被更新,同时根据纹理相似性,对目标遮挡区域的背景进行估算,使得在光照变化下遮挡区域得到同步更新。通过视频稳定算法得到全局运动参数和局部运动参数,然后利用全局运动参数稳定视频,利用局部运动参数作为运动目标检测的输入,最后利用高斯模型来检测运动目标。通过对多段抖动视频做实验,结果验证了该算法的准确性和有效性。     

基于自适应Tent混沌搜索的粒子群优化算法

为解决粒子群优化算法易于陷入局部最优问题,提出基于自适应Tent混沌搜索的粒子群优化算法。应用Tent 映射初始化均匀分布的粒群,并以当前整个粒子群迄今为止搜索到的最优位置为基础产生Tent混沌序列,混沌序列的搜索范围采用自适应调整方法。该方法可以有效避免计算的盲目性,还能够快速搜寻到最优解。实验表明该算法在多个标准测试函数下都超越了同类改进算法。     

一种自适应的运动区域检测算法

提出了一种简单有效的自适应阂值选择机制,并将背景信息嵌入到阈值选择中,提高了阈值选择的准确性。实验结果表明,该算法能在各种环境变化情况下自动得到合适的阈值,提高了运动区域检测的准确性。     

强噪声环境下改进的语音端点检测算法

为了提高强噪声环境下语音端点检测的正确率,克服传统的短时能量和短时过零率双门限语音端点检测算法在低信噪比（SNR）条件下检测性能急剧下降这一缺陷,提出了一种改进的语音端点检测算法。该方法对强噪声环境下的语音信号,首先进行小波阈值去噪,提高信噪比,再采用双门限法进行端点检测。实验结果表明,该算法具有一定的鲁棒性,在强噪声环境下仍能准确地进行语音端点检测,从而该算法的有效性得到验证。     

一种强噪音环境中的语音端点检测算法

针对强噪音环境中语音端点检测准确率较低的问题,提出了一种应用在强噪音环境中的语音端点检测算法,结合先验信噪比估计语音增强和改进子带谱熵的算法实现了强噪音中的端点检测。实验结果表明,相比传统端点检测算法,该算法在不同噪声环境下具有较高的鲁棒性,特别是在低信噪比下具有较高的端点检测准确率和较低的误检率。     

基于YCbCr的自适应混合高斯模型背景建模

混合高斯模型是最常用的背景建模方法之一,但是它的精确度是以耗时为代价的,且它在RGB颜色空间进行背景建模时,对噪声的处理效果一般。因此,对混合高斯模型进行改进,提出了一种基于YCbCr的自适应混合高斯模型背景建模方法。首先,将建模颜色空间从RGB转换到YCbCr;然后,采用自适应选择策略来确定混合高斯模型的高斯成分个数;最后,将高斯成分按照关键字的值进行排序,以确定背景模型。将提出的建模方法应用于运动目标检测,实验结果表明,提出的方法与混合高斯模型背景建模相比,运动目标检测的检测结果更准确,耗时更少。     

抑制坦克强背景噪声的改进谱减法研究

谱减法是处理宽带噪声较为传统和有效的方法,它运算量较小,容易实时处理,增强效果也较好。根据经典谱减法及其各种改进形式的基本原理,提出一种新的改进谱减法语音增强算法。根据语音和噪声各自的特性,对带噪语音进行时域平滑和频谱统计加权处理。对该算法进行客观和主观测试表明：相对于传统的谱减法,该算法能更好地抑制背景噪声和音乐噪声,同时也较好地保持了语音的可懂度和自然度。     

基于背景分类的运动目标检测算法

针对光线暗、对比度和分辨率低的监控视频,提出了一种基于背景分类的运动目标检测算法。 首先用视频第一帧图像HSV空间的色度H和亮度V作为背景特征进行初始化,建立两种包含色度和亮度特征的背景模型类,即初始化得到的原始背景类和受光照或者其他因素影响得到的在原始背景周围波动的背景波动类,利用这两个背景模型进行前景检测和背景更新。为提高前景检测的准确率,背景模型的更正加入背景更正机制和权重机制,使得背景中样本的数量根据背景的实际情况处在一种动态的变化中,提高前景分割的效率。用不同场景下的监控视频进行算法对比实验,结果证明,该算法获得的前景完整清晰,视频处理的速度较快。提出的算法简单实用,对噪声干扰表现出良好的鲁棒性。     

自适应变尺度混沌免疫优化算法及其应用

结合混沌优化算法与免疫算法的特点,提出了一种采用折叠次数无限的自映射X=sin(2/x)产生混沌变量的自适应变尺度混沌免疫优化算法.该算法通过自适应变尺度方法不断调整优化变量的搜索空间,同时采用最大循环次数作为控制指标,既保证了寻优的准确性,又保证了算法的快速性.应用该算法对3个测试函数进行优化计算得到了比较满意的结果.将此算法应用于移动Ad Hoc网络入侵检测时的仿真实验结果表明,自适应变尺度混沌免疫优化算法能有效地减少对训练样本的依赖,同时减少噪音数据对入侵检测系统性能的影响,适用于移动自组网络对于入侵检测系统高检测率、高抗噪能力和低计算延迟的要求.     

An adaptive algorithm for anomaly and novelty detection in evolving data streams

In the era of big data, considerable research focus is being put on designing efficient algorithms capable of learning and extracting high-level knowledge from ubiquitous data streams in an online fashion. While, most existing algorithms assume that data samples are drawn from a stationary distribution, several complex environments deal with data streams that are subject to change over time. Taking this aspect into consideration is an important step towards building truly aware and intelligent systems. In this paper, we propose GNG-A, an adaptive method for incremental unsupervised learning from evolving data streams experiencing various types of change. The proposed method maintains a continuously updated network (graph) of neurons by extending the Growing Neural Gas algorithm with three complementary mechanisms, allowing it to closely track both gradual and sudden changes in the data distribution. First, an adaptation mechanism handles local changes where the distribution is only non-stationary in some regions of the feature space. Second, an adaptive forgetting mechanism identifies and removes neurons that become irrelevant due to the evolving nature of the stream. Finally, a probabilistic evolution mechanism creates new neurons when there is a need to represent data in new regions of the feature space. The proposed method is demonstrated for anomaly and novelty detection in non-stationary environments. Results show that the method handles different data distributions and efficiently reacts to various types of change.     

自适应线性预测图像椒盐噪声去除方法

针对灰度图像中的椒盐噪声,提出了一种基于自适应权值与线性预测方法相结合的噪声去除方法。用椒盐噪声模型确定图像中的噪声点,以及噪声点所在滤波窗口内的噪声密度,在密度较小时利用设计的权值函数进行加权平均计算,以达到去噪声的目的;在噪声密度较大时,利用线性预测方法预测噪声点所在位置的灰度值,以实现去噪。对于非噪声点像素则不做处理,较好地保持了图像的细节。实验结果表明,与同类方法相比,此方法有良好的去噪性能。