基于颜色和边缘信息融合的背景建模方法

提出一种颜色和边缘信息融合的背景建模方法。在像素级利用基于颜色特征的背景差方法,将像素分类为前景像素和背景像素。给出一种新的基于边缘特征的背景差方法,将边缘分类为前景边缘和背景边缘。将前景像素聚类为不同的目标区域,利用前景边缘信息识别出真实运动目标和虚假运动目标。实验表明,该方法可以有效地去除由于局部突然光照变化和背景静止目标的移动造成的虚假运动目标,提高运动目标检测的精确率。     

基于VxWorks嵌入式系统的中文平台研究与实现

介绍了VxWorks嵌入式操作系统的中文平台的原理和组件式实现方法,概述了点阵字体,矢量字体的基本知识、设计方法和输出过程,给出了中文输入法的解决方案和中文平台在VxWorks系统中的位置关系,使得在VxWorks操作系统上可以自由的使用中文.     

基于复杂背景的车牌字符快速识别方法

复杂背景下车辆牌照的快速识别主要包括字符的定位、提取与识别.本文针时在复杂背景下如何快速定位并提取字符、如何提高字符识别率的问题,阐述了在复杂背景车牌字符识别系统中,Niblack(二值化)与SVM相结合的方法和卷积神经网络的具体应用.试验结果表明,在对复杂背景图片中的车牌与集装箱箱体字符进行识别时,该系统准确率分别到达92%与89%,单次所需时间为1秒(CPU 1.66GHZ).本文方法直接对字符定位,克服了传统方法只能针对车牌字符进行识别的局限性,优于其他识别方法.     

基于彩色图像融合技术的研究

主要讨论了一种彩色图像的像素点趋近算法，它的中心思想是把诗融合区域分解为若干个矩形区域，在每个区域里使像素点逐渐过滤到背景图像中。     

基于复杂背景的车牌字符快速分割算法研究

提出了一种充分利用车牌字符特征,采用边缘提取、最优阈值过滤、改善的连通域搜索及垂直投影算法,很好地兼顾了车牌字符分割的正确性和快速性,达到了良好的分割效果.     

基于属性蕴含的形式背景的生成

形式概念分析是近年来发展较快的一种用于数据挖掘的工具,它广泛地应用于机器学习、软件配置、信息获取、知识管理和软件工程等领域。以前大家研究的内容都是基于属性之间没有关联,给出相应的形式背景,然后得出概念格的,并在此基础进行约简和优化。然而在现实中属性之间存在诸如蕴涵、依赖等关系的。本文论述了基于一些属性间的蕴涵式来生成一个形式背景的算法,拓广了形式背景的生成的方法。     

一种基于背景加权的多特征融合目标跟踪算法

针对均值漂移(MS)目标跟踪算法受背景环境变化干扰较大的问题,提出一种基于背景加权的多特征融合目标跟踪算法BWMMS。引入基于目标模型与目标周围背景模型差分的加权函数,细化各像素对准确描述目标的重要程度,从而提高目标模板的分辨能力。结合颜色与纹理特征进行目标跟踪,构建基于目标和目标背景区域的特征自适应融合机制,使BWMMS算法能够根据跟踪场景变化自适应调整颜色与纹理特征的权值。实验结果表明,与MS算法、HRBW算法相比,该算法对环境变化的适应性较好,能取得更鲁棒的跟踪结果,且跟踪成功率高达94.84%。     

基于贝叶斯生成对抗网络的背景消减算法

背景消减是计算机视觉和模式识别的关键技术之一.本文提出一种新的背景消减算法,该算法首先利用中值滤波算法进行背景数据的获取,然后基于贝叶斯生成对抗网络进行训练,利用生成对抗网络的特性,有效地对每个像素进行分类,解决了光照渐变和突变、非静止背景以及鬼影的问题.本文采用深度卷积神经网络,来构建贝叶斯生成对抗网络的生成器和判别器.实验结果表明,本文提出的算法性能在绝大多数情况下优于现有其他算法.本文的贡献在于首次将贝叶斯生成对抗网络应用于背景消减,并且取得了良好的实验效果.     

基于多高斯分布的背景生成算法

提出一种基于序列图像的改进的多高斯分布背景生成算法。该算法在用多高斯分布背景中每个像素建模的基础上,把每个像素对应的若干个高斯分布分成可靠分布和不可靠分布,依据序列图像中每幅当前图像的像素值创建新分布、更新已有分布和删除过时分布来更新背景模型,并实时生成不含运动目标的背景图像。算法定量分析了实验数据,结果证明,该算法具有良好的自适应能力和稳定性。     

基于协同理论的交通图像背景生成方法

针对交通图像目标检测中背景生成问题,提出一种基于协同的背景生成方法。把交通序列图像定义为3个状态,用协同方法对交通序列图像预分类,为不同状态的交通图像赋以不同的权值,利用加权平均的方法生成初始背景。试验结果说明该方法提取背景的效果较理想。     

复杂背景下基于图像融合的运动目标轮廓提取算法

运动目标轮廓的有效提取对于目标识别、跟踪和行为的理解等后期的处理是非常重要的。受背景复杂性的影响,当背景灰度和运动目标的灰度相近时,提取的运动目标易产生空洞,某些部位无法完全恢复。根据帧差法的基本原理,提出了一种针对复杂背景的运动目标检测、轮廓提取方法。首先,对图像进行滤波处理,采用最大方差比阈值法消除了剩余部分噪声和背景,然后在三帧时间差分法基础上,利用序列中多帧图像融合运动信息,并确定参考区域,通过对原图像进行回扫描,最终提取出完整的运动目标轮廓。实验结果验证了算法的稳健性和有效性。     

一种新的基于统计的背景减除方法

提出了一种有效的彩色视频背景减除的新方法。首先对彩色视频采样得到图像序列,统计序列中各像素的RGB值并归类,用出现概率最高类的RGB均值来构建背景模型;然后根据颜色差异和亮度范围综合条件,结合形态学处理进行背景减除。实验结果表明,此法可以很好地克服灰度视频背景减除中很难识别与背景灰度相近目标的缺陷,同时比传统的彩色视频背景建模快速,且样本中允许运动目标存在。对背景减除的准确性和实时性有一定程度地改进。该文还针对光照和背景变化提出了一些有效的背景更新策略。     

基于融合注意力机制的图像标题生成

图像标题生成利用机器自动产生描述图像的句子,属于计算机视觉与自然语言处理的交叉领域.传统基于注意力机制的算法侧重特征图不同区域,忽略特征图通道,易造成注意偏差.该模型通过当前嵌入单词与隐藏层状态的耦合度来赋予特征图不同通道相应权重,并将其与传统方法结合为融合注意力机制,准确定位注意位置.实验结果均在指定的评估方法上有一定的提升,表明该模型可以生成更加流利准确的自然语句.     

基于神经网络信息融合的印刷体字符识别研究

针对印刷体字符识别,提出一种基于神经网络信息融合的方法.在对待识别目标提取特征后,分别采用2种反向传播算法的改进算法和遗传算法构造神经网络分类器模型,并进行网络的训练和识别工作.通过实验数据着重分析和比较了3种算法的特点,将此3种分类器得出的分类结果进行决策级的信息融合,最终得出识别结果.实验结果表明,此方法简单可行,具有较高的鲁棒性和识别率.     

融合背景上下文特征的视觉情感识别与预测方法

为解决基于视觉的情感识别无法捕捉人物所处环境和与周围人物互动对情感识别的影响、单一情感种类无法更丰富地描述人物情感、无法对未来情感进行合理预测的问题,提出了融合背景上下文特征的视觉情感识别与预测方法。该方法由融合背景上下文特征的情感识别模型（Context-ER）和基于GRU与Valence-Arousal连续情感维度的情感预测模型（GRU-mapVA）组成。Context-ER同时综合了面部表情、身体姿态和背景上下文（所处环境、与周围人物互动行为）特征,进行26种离散情感类别的多标签分类和3个连续情感维度的回归。GRU-mapVA根据所提映射规则将Valence-Arousal的预测值投影到改进的Valence-Arousal模型上,使得情感预测类间差异更为明显。Context-ER在Emotic数据集上进行了测试,结果表明,识别情感的平均精确率比现有最优方法提高4%以上;GRU-mapVA在三段视频样本上进行了测试,结果表明情感预测效果相较于现有方法有很大提升。     

基于多准则特征融合的自适应跟踪算法

针对现有基于多特征融合的跟踪算法在复杂环境下跟踪准确度不高,且大部分采用单一判定方式来实现多特征融合的问题,提出了一种综合判定的自适应多特征融合跟踪方法。首先引入局部背景信息加强对目标的描述,然后在多特征融合过程中利用多种判定准则计算特征权值,最后在均值漂移框架下完成对目标的跟踪。在各种场景下的实验结果比较表明:该融合算法比单种判定融合有更好的稳定性和鲁棒性,有效地提高了复杂环境下跟踪准确性。     

基于硬注意力机制的多模态视频字幕的处理

传统的视频字幕生成模型大多都采用编码器—译码器框架。在编码阶段,使用卷积神经网络对视频进行处理。在解码阶段,使用长短期记忆网络生成视频的相应字幕。基于视频的时序相关性和多模态性,提出了一个混合型模型,即基于硬注意力的多模态视频字幕的生成模型。该模型在编码阶段使用不同的融合模型将视频和音频两种模态进行关联,在解码阶段基于长短期记忆网络的基础上加入了硬注意力机制来生成对视频的描述。这个混合模型在数据集MSR-VTT(Microsoft research video to text)上得到的机器翻译指标较基础模型有0.2%~3.8%的提升。根据实验结果可以判定基于硬注意力机制的多模态混合模型可以生成视频的精准描述字幕。     

Automatic mesh generation on a regular background grid

This paper presents and automatic mesh generation procedure on a 2D domain based on a regular background grid.The idea is to devise a robust mesh generation scheme with equal emphasis on quality and efficiency,Instead of using a traditional regular rectangular grid,a mesh of equilateral triangles is employed to ensure triangular element of the best quality will be preserved in the interior of the domain.As for the boundary,it is to be generated by a node/segment insertion process.Nodes are inserted into the background mesh one by one following the sequence of the domain boundary.The local strcture of the mesh is modified based on the Delaunay criterion with the introduction of each node.Those boundary segments.which are not produced in the phase of node insertion,will be recovered through a systematic element swap produced in the phase of node insertion will be recovered through a systematic element swap process.Two theorems will be presented and proved to set up the theoretical basic of the boundary recovery part.Examples will be presented to demonstrate the robustness and the quality of the mesh generated by the proposed technique.     

基于背景模型的运动车辆检测算法研究

本文给出一种改进的背景初始化和更新算法,动态调整参数学习率,缩短了建立背景模型的时间,提高了背景模型适应环境变化的能力。采用Otsu阈值化方法自动选取全局阈值,完成二值化处理。结合形态学方法,去除噪音点的影响。实验表明,本文的方法能更快、更准确地检测出运动车辆区域。