自适应参数的轨迹压缩算法

随着轨迹数据量的急剧增长,数据规模变得越来越庞大、复杂,给数据的存储、传输和分析带来了一系列的难题,迫切需要对移动对象的轨迹数据进行有效地压缩。现有的轨迹数据压缩算法大都是基于固定压缩阈值,来判定轨迹点是否被保留,在算法执行过程中,用户难以确定压缩阈值。针对现有轨迹数据压缩算法压缩阈值难以确定的缺点,本文提出了自适应参数的轨迹压缩算法。该算法根据用户期望达到的压缩效果,按照优先保证压缩比的策略,在保证压缩效率和压缩效果的情况下,帮助用户自动确定压缩阈值,从而避免了用户需要根据自己的经验,进行反复实验来得到理想压缩阈值的过程。实验结果表明,本文提出的算法都具有较高的压缩效率和较好的压缩效果。     

基于冗余分组的轨迹摘要算法

为了对视频监控设备采集到的轨迹数据进行聚类和异常检测,提出了一种新的轨迹摘要算法。使用了Jensen-Shannon Divergence（JSD）度量方法实现了轨迹数据的重采样,使得计算轨迹间相似度的准确性有所提高,并为后续滤波过程提供了必要的等采样点个数的轨迹数据;自适应地确定轨迹相似性的阈值,并采用非局部的思想,将轨迹数据进行冗余分组,同时识别出异常轨迹数据;从信号处理的角度对分组后的轨迹数据进行硬阈值滤波,经过合并得到摘要轨迹;此外,不受轨迹输入顺序的影响,并且提供了可视化的多尺度轨迹摘要结果。与具有噪声的基于密度的聚类（DBSCAN）算法的异常检测效果进行对比,所提算法在准确率（Precision）、召回率（Recall）以及F1指标上均有所提升。     

基于自适应阈值的循环剪枝算法

针对YOLO系列目标检测算法中复杂的网络模型和大量冗余参数问题,提出了一种基于自适应阈值的循环剪枝算法：在经过基础训练和稀疏化训练后,进入到自适应阈值剪枝模块,该模块针对缩放因子分布情况,通过缩放因子对通道和卷积层的重要性进行评估,自主学习到一个剪枝阈值,再对网络模型进行剪枝,此过程可以循环进行,并在通道剪枝和层剪枝中应用。该算法中的阈值不是人为设定,而是针对当前网络结构学习获得,通过剪枝获得一个更优的精简模型。算法实验基于YOLOv3在三个数据集上验证,结果表明,该算法对不同数据集、不同网络结构表现出较强的适应性,与传统固定阈值相比,通过自适应阈值剪枝的模型在检测精度、压缩效果、推理速度等方面都取得了更优的效果。     

基于自适应双阈值的计步算法

针对现有计步算法对不同运动状态适应性差的问题,设计了一种基于自适应阈值的计步算法。该算法首先通过智能手环的内置三轴加速度传感器采集用户在慢走、快走以及跑步三种步行频率的加速度数据,经过五点滤波预处理,在自适应时间窗内检测波峰波谷,再将波峰均值和波谷均值的平均值作为上阈值,波谷均值作为下阈值,通过动态阈值判定步数,最后根据行走振幅和行走频率存在的规律性进行假步检测。测试表明,该算法对于不同的用户在三种不同频率下平均计步精度可以达到91.88%以上。     

基于R-tree的高效异常轨迹检测算法

异常检测是一种流行的数据挖掘任务,但是轨迹数据的异常检测的研究比较少,而且存在的算法也较有局限性,因此J.-G Lee等人提出了TRAOD算法。该算法能够有效地检测出异常的轨迹,但是也存在着缺陷。它的复杂度和准确度比较难平衡,在参数的选取上也比较难,算法的运行时间较长。基于TRAOD的问题,提出一种基于R-tree的高效的异常轨迹检测算法R-TRAOD。该算法通过R-tree对轨迹点进行索引搜索其领域内的轨迹点,然后根据TRAOD算法对R-tree索引出来的轨迹点进行异常轨迹的检测,这样可以提高算法的运行速度。真实数据实验测试表明,该算法比最新的TRAOD异常轨迹挖掘算法效率要高。     

加油站中基于自适应阈值分割的车辆停车检测方法

针对加油站复杂环境下难以获取停车数据的问题,提出一种基于自适应阈值分割的车辆停车实时检测方法。以加油位为检测对象,使用改进的均值背景法更新加油位的背景;将背景差分法与Otsu算法相结合,提出一种改进的自适应阈值分割算法;设计停车检测算法,检测出加油车辆的停车时间点、车牌号以及停车持续时间。实验结果表明,该算法能有效检测出车辆的停车数据,并能过滤掉过往车辆和行人等噪声干扰。     

基于曲率的角点检测及目标区域提取法

针对图像检索系统提出了基于自适应阈值曲率增强的角点检测法, 以及基于角点曲率的目标区域提取法. 该算法将曲率作为角点重要程度的判断标准, 通过自适应阈值判断图像的真伪角点, 并增强真实角点的曲率信息, 利用具有较大曲率的角点确定图像的重心, 以重心为形心定位图像的目标区域. 实验结果表明, 本文算法不仅提高了图像角点检测的可靠性, 而且有效地确定了其目标区域, 最终达到了提高图像检索准确率以及算法运算效率的目的. 为检索背景复杂的图像提供了新的思路和方法.     

视频序列中运动目标检测算法

提出一种结合区域级和像素级背景差分法的目标检测算法,可以有效解决视频序列中噪声分布不均问题。利用一种基于熵能的局部自适应阈值划分出前景和背景,在此基础上对前景和背景邻接区域像素点进行检测,并提出一种自适应光线变化的背景更新算法。实验结果表明,该算法比传统单阈值背景差分法抗噪能力更强,检测目标轮廓更加完整,能够准确检测出运动目标。     

基于稀疏主成分分析和自适应阈值选择的图像分割算法

图像分割是机器视觉中的基础问题,基于阈值的图像分割算法依赖于参数调整,但参数调整容易受到局部最小值的影响且需要耗费大量时间,从而降低了分割算法的质量和效率。为了实现图像分割过程中的自适应阈值选择,提出了一种基于稀疏主成分分析和自适应阈值选择的图像分割算法。该算法首先利用稀疏主成分分析感知图像的噪声水平以自适应去噪,其次通过二维直方图感知图像的主干区域内容以自适应获得全局分割阈值,然后通过移动平均法的局部阈值分割算法对图像进行分割,最后将全局阈值分割和局部阈值分割图像结合,从而获得最佳的分割图像结果。在伯克利数据集上的仿真实验结果表明:相比传统的阈值分割算法,该算法在分割边缘的准确性和对噪声的鲁棒性上具有一定的优势,在主客观上均具有较好的分割效果,基于稀疏主成分分析的自适应阈值选择方法提高了图像的分割质量。     

CLAHE算法在异常行为检测中的研究

为解决基于Kinect的检测算法存在图像背景噪声较大和行为识别率不够高的问题,本文通过优化CLAHE算法中的阈值,来提高图像中人体异常行为的识别率。通过对不同的图像选取合适的阈值,减少图像的噪声。相比直方图均衡化和自适应直方图均衡化算法,本文的方法降低了图像的降噪比,提升了异常行为的识别率。     

基于多步神经网络观测器的扑翼飞行器缓变故障检测

针对缓变故障初始变化幅值较小导致的基于传统神经网络观测器的故障检测算法检测效率较低的问题,提出一种基于多步神经网络观测器与自适应阈值的扑翼飞行器（FWMAV）缓变故障检测算法。首先,构建一个多步预测的观测器模型,利用多步观测器的延时性能避免观测器被故障数据污染;然后,依据FWMAV的实际飞行实验数据,对多步观测器窗口宽度进行实验和分析;其次,提出一种自适应阈值策略,通过残差卡方检测算法辅助进行观测器残差值的故障检测;最后,采用FWMAV的实际飞行实验数据进行算法的验证和分析。结果表明,与基于传统神经网络观测器的故障检测算法相比,所提算法在缓变故障检测速度方面提升了737.5%,在缓变故障检测准确率方面提升了96.1%。由此可见,所提算法能够有效提高FWMAV缓变故障的检测速度和检测准确率。     

基于滑动窗口预测的水文时间序列异常检测

针对水文时间序列分析与决策中存在的数据质量问题,提出了基于滑动窗口预测的水文时间序列异常检测算法。首先基于滑动窗口对时间序列进行子序列分割,再以子序列为基础建立预测模型对未来值进行预测,并将预测值和实测值间差异范围大于预设阈值的序列点判定为异常。探讨了算法中的滑动窗口和参数设置,并以实例数据对算法进行了验证。实验结果表明,所提算法不仅能够有效挖掘出水文时间序列中的异常点,而且将异常检测的灵敏度和特异度分别提高到80%和98%以上。     

Adaptive robust estimation of affine parameters from block motion vectors

In this paper, we propose an affine parameter estimation algorithm from block motion vectors for extracting accurate motion information with the assumption that the undergoing motion can be characterized by an affine model. The motion may be caused either by a moving camera or a moving object. The proposed method first extracts motion vectors from a sequence of images by using size-variable block matching and then processes them by adaptive robust estimation to estimate affine parameters. Typically, a robust estimation filters out outliers (velocity vectors that do not fit into the model) by fitting velocity vectors to a predefined model. To filter out potential outliers, our adaptive robust estimation defines a continuous weight function based on a Sigmoid function. During the estimation process, we tune the Sigmoid function gradually to its hard-limit as the errors between the model and input data are decreased, so that we can effectively separate non-outliers from outliers with the help of the finally tuned hard-limit form of the weight function. Experimental results show that the suggested approach is very effective in estimating affine parameters reliably.     

基于贝叶斯理论的自适应显著性检测

针对传统基于贝叶斯的显著性算法通常采用固定窗口的形式,适应性较差的特点,提出了一种基于贝叶斯理论的自适应显著性检测算法,该算法能够考虑到不同图像显著物体大小不同。首先采用Canny算法提取图像边缘,并利用阈值算法确定图像的自适应窗口,然后采用基于贝叶斯的滑动窗口算法计算显著图。给定的自适应窗口能够更好地契合显著物体,实验结果表明相比其他传统贝叶斯算法与经典算法,该算法具有更高的精确率和更好的召回率。     

基于单元的孤立点检测算法改进及应用

研究基于单元的孤立点检测算法,给出数据空间的单元格划分及数据对象分配算法。针对该算法中阈值M设置的不足,对算法进行改进并应用于纳税行为的分析。与其他孤立点检测算法对比的结果表明,该算法不仅能有效挖掘纳税行为中的孤立点,还能确定孤立点的位置,有利于对纳税行为的分析。     

车道模型的高速公路车辆异常行为检测方法

针对高速公路上车辆的逆行、停车、轨迹异常等事件的检测问题,提出了一种基于车道模型知识的自底上向的车辆异常检测方法。首先由车道线的连续性、共线性的感知搜索出车道线和消失点,自动建立车道模型;然后在多车辆检测与跟踪时,通过目标运动位置预测和KLT特征点跟踪的方法建立表示目标区域交叠关系图,依据后验关系通过对图中节点对应目标区域的合并与拆分实现目标与实际车辆的一一对应,建立可靠的跟踪轨迹;最后基于消失点的坐标变换,计算车辆实际位置与速度,采用轨迹滑动窗口方法判断目标运动趋势并计算窗口内轨迹点平均速度,判断车辆的异常行为。实验结果表明,所提方法在不同天气、不同车流量环境中均有80%以上的事件检测率,同时算法简单,具有很好的实时性,能够适应实际高速公路智能检测设备的需求。     

雾霾图像增强算法对目标检测性能影响研究

针对雾霾环境下目标检测率低,容易造成交通事故等问题,提出了基于图像增强的动态双阈值算法。该算法针对雾霾天气下,传统的检测算法目标检测率低、虚警率高等问题,利用大气散射模型及联合双边滤波算法首先对原始雾霾图像的增强处理,然后再进行目标检测。分别使用动态双阈值、基于均值滤波的动态双阈值、基于直方图均衡化的动态双阈值、基于拉普拉斯算子的动态双阈值目标检测算法对不同程度雾霾环境下的实拍车辆运动视频进行目标检测,并用11097组图像数据对比分析改进算法的最佳检测率、最差检测率、平均检测率和虚警率。实验结果表明,改进算法目标检测率高、虚警率低,有助于减少交通事故,更加适用于雾霾环境下图像目标检测。     

一种鲁棒高效的视频运动目标检测与跟踪算法

提出了一种视频运动目标的快速检测和稳定跟踪算法. 目标检测使用减背景法, 用均值法构造背景图像, 提出一种基于熵能和广义高斯分布的局部自适应阈值选取算法, 可有效克服噪声的影响. 采用基于特征匹配的目标跟踪方法, 提出一种LICS (Logarithm illuminance contrast statistic)特征, 该特征能够更加充分有效地表征目标, 可在光照和目标姿态变化的情况下实现刚体目标的稳定跟踪. 使用Kalman滤波限制搜索匹配范围以减小计算量. 用目标子区域匹配的方法解决目标相互遮挡时的跟踪问题. 实验结果表明, 该算法在运动目标检测效果、跟踪稳定性和运行时间方面都有良好的性能.     

贝叶斯理论在移动目标检测中的应用

复杂背景下精准的移动目标检测是智能监控系统的重要任务之一,而移动目标检测中,阈值的选择是关键因素之一。传统的固定阈值检测算法很难满足光照等复杂环境的实际需要,利用贝叶斯理论,提出了自适应的动态阈值移动目标检测算法,通过引入前景图像的均值和方差,以及背景图像的均值,获得自适应的动态阈值,用于克服光照等复杂条件的不利影响。实验结果显示,同传统的固定阈值检测算法相比,提出的算法可以有效地克服噪声的影响,并且在复杂环境下具有更好的鲁棒性和稳定性。     

小波域基于聚类分割的运动目标检测算法

针对监控系统中目标检测精准性和实时性不能很好兼顾的问题,研究了小波域基于聚类分割算法的目标检测系统,在小波域分别给出了高频成分和低频成分自适应阈值的确定方法,推导出了判决准则和最佳阈值。利用该算法进行目标识别,可以去除系统噪声,快速检测出目标,并能保证系统的精准性。通过仿真实验对该算法进行验证,结果表明,该算法能够准确检测出目标,算法速度快,能保证系统的实时性。