基于非参数模型背景差法的运动目标检测方法研究

重点研究实现一种非参数模型背景差法,有效地检测运动目标,克服背景中微小干扰影响,消除前景目标的阴影,从而实现对运动目标的完整提取。     

浅析核密度估计方法

1．核密度估计概念 kernel density estimation是在概率论中用来估计未知的密度函数,属于非参数检验方法之一,由Rosenblart（1955）和EmanuelParzen（1962）提出,又名Parzen窗（Parzenwindow）。Ruppert和Cline基于数据集密度函数聚类算法提出修订的核密度估计方法。由给定样本点集合求解随机变量的分布密度函数问题是概率统计学的基本问题之一。解决这一问题的方法包括参数估计和非参数估计。参数估计又可分为参数回归分析和参数判别分析。在参数回归分析中,人们假定数据分布符合某种特定的性态,如线性、可化线性或指数性态等,然后在目标函数族中寻找特定的解,即确定回归模型中的未知参数。     

智能视频监控系统运动目标检测技术研究综述

智能视频监控技术的出现是现阶段市场监控系统智能化需求的结果,它旨在实现用摄像机代替人眼,用计算机代替人并协助人来完成监视和控制的任务。智能视频监控系统分析技术在检测运动区域的目标检测技术和追踪预测运动目标运动趋势的目标跟踪技术的基础上,再进行目标行为识别理解。对现有的主要目标检测技术的主要算法进行了综述和分析,并根据各算法的优缺点做出比较。     

NA相依样本的非参数核估计

假设非参数衰退模型Yi=g(Xi)+iε,其中残差{iε}是一个具有未知公共密度函数f(x)的NA相依样本,g(x)=E(Y+X=x)是未知衰退函数.今首先在残差基础上定义了非参数估计gn(x)和^fn(x),并在适当条件下证明了gn(x)和^fn(x)分别是g(x)和f(x)的强一致相合估计,同时给出了相应的收敛速度.     

智能视频监控运动目标检测技术浅谈

在视频监控智能分析序列中,运动目标检测正处于行业应用的前沿和发展方向,其在智能视频监控过程中发挥了举足轻重的作用。笔者根据工作研究实践,对智能视频监控运动目标检测技术进行了简要的阐述。     

视频监控系统中的运动目标分类技术研究

基于视频的运动分析是近年来计算机视觉领域备受关注的研究方向.提出了一种用于视频监控系统的运动目标分类算法,可以将运动目标分类为几种事先定义好的类别:人、人群、汽车、自行车.定义了运动目标的几种简单有效的形状特征,并选择基于小样本学习理论的支持向量机对不同目标进行分类.最后,提出隔帧分类的思想并描述了几种提高分类效率的方法,以满足实时性要求.实验证明该方法能较好地区分人、人群、车、自行车等目标.     

基于核密度估计和分形编码算法的图像检索技术研究

为了提高基于分形压缩编码图像检索技术的应用价值,针对自然图像提出了一种联合参数的图像检索方法,从分形编码中提取鲁棒性(旋转、平移、缩放等不变性)索引,即从由值域块均值构成的解码近似图像中提取改进的Hu不变矩特征量作为检索索引,再与分形编码参数的核密度估计统计特征相结合,其中,核密度估计方法中采用可变带宽。然后采用2个索引的加权和来比较图像的相似度。实验结果表明,使用2个索引的加权和比使用单独索引具有更好的检索结果。     

视频监控系统中的动目标检测新方法

在分析了现有算法在复杂背景下所存在的不足的基础上，提出了一种适用于视频监控系统的基于视频序列像素时空相关性检测的动目标检测方法．该方法首先用每一帧中像素的空间相关性检测出目标，再用序列图像中目标的时间相关性检验目标的真实性，从而最终确定是否有运动目标．试验表明，该方法能很好地检测出运动目标，并具有较强的抗干扰能力．     

尺度方向自适应的减法聚类视频运动目标定位

针对减法聚类算法对视频运动目标进行定位时无法获取目标尺度及方向参数的问题,本文提出了一种可获取待定位目标尺度及方向参数的视频运动目标定位算法.该算法在减法聚类算法预定位目标位置及获得目标个数的基础上,进一步采用模糊C均值聚类对目标前景样本进行归类,最后通过对目标前景样本协方差矩阵特征值和特征向量的分析获得目标的尺度及方向参数,从而实现对视频运动目标的定位.实验结果表明,所提出的方法与原减法聚类定位方法相比可获得更合理的目标定位结果.     

一种新的非参数谱估计方法

提出了一种新的非参数谱密度估计方法,它是传统加窗周期谱估计方法的一种修正,并证明了此估计具有渐近无偏性、相合性、渐近正态性。     

Improved Logistic Regression Algorithm Based on Kernel Density Estimation for Multi-Classification with Non-Equilibrium Samples

Logistic regression is often used to solve linear binary classification problems such as machine vision, speech recognition, and handwriting recognition. However, it usually fails to solve certain nonlinear multi-classification problem, such as problem with non-equilibrium samples. Many scholars have proposed some methods, such as neural network, least square support vector machine, AdaBoost meta-algorithm, etc. These methods essentially belong to machine learning categories. In this work, based on the probability theory and statistical principle, we propose an improved logistic regression algorithm based on kernel density estimation for solving nonlinear multi-classification. We have compared our approach with other methods using non-equilibrium samples, the results show that our approach guarantees sample integrity and achieves superior classification.     

基于标记的多尺度分水岭视频目标分割算法

针对视频目标提取的问题,提出了基于标记的多尺度分水岭视频目标分割算法.该算法以帧间变化检测为基础,通过改进的最小Tsallis交叉熵进行去噪、滤波,经形态学处理后得到运动目标初始二值掩模,并利用初始二值掩模得到用于分水岭算法的前景与背景标记,用该标记修正当前帧的多尺度形态学梯度图像,最后进行分水岭分割,得到具有精确边界的视频对象.实验结果表明,该算法能有效地分割和提取视频序列中的单个、多个以及快速运动的目标,继承了变化检测和分水岭算法速度快的优点,克服了分水岭容易产生过分割的缺点,具有较强的适用性.     

视频监控中基于在线多核学习的目标再现识别

在非重叠多摄像机或单摄像机视频监控中,识别跟踪目标的再次出现很重要.针对传统支持向量机方法在特征融合方面的缺陷,本文提出了一种新的基于在线多核学习的人体目标再现识别方法.该方法对跟踪目标视频前景图像序列提取具有互补性的视觉单词树直方图和全局颜色直方图二种特征,再采用多核学习方法在线训练人体目标视觉外观,从而得到多核特征融合模型.实验结果表明,该方法能快速训练人体目标外观模型,满足视频监控的实时要求,多核融合模型获得了比单一特征模型和单核支持向量机方法更高的识别性能.     

删失数据下密度核估计的误差分布的强逼近

在随机右删失数据下构造了概率密度函数的核估计和随机加权估计，得到了核估计的误差分布的正态逼近速度和随机加权逼近速度，改进了孙六权和朱力行(1999)的主要结果。     

海上远景小目标检测方法的研究

海水本身运动的复杂性以及海水与其它环境因素所产生的干扰物理场,往往使得海上小目标的探测尤为困难.因此,以可见光图像序列中海面小目标检测为研究对象,提出了核函数-马尔科夫随机场(Markov Random Fields,MRF)前景分割模型.该模型利用所提出的邻域相关核函数背景模型对图像序列的求解结果作为MRF的观测值,...     

核最小二乘算法检测红外点目标

对于背景呈非线性变化的复杂图像,用背景预测的方法对红外点目标进行检测时,传统的线性最小二乘法(Least Squares,LS)的效果比较差.文章使用核方法(Kernel Methods,KMs)推导了最小二乘法的非线性版本:核最小二乘算法(Kernel Least Squares,KLS);进一步推导出了更适合动态系统时序预测的指数加权形式的核最小二乘算法(Kemel Exponential wleighted Least Squares,KEWLS).提出了一种基于核方法的红外点目标检测算法,先用KEWLS非线性回归算法预测红外图像背景,再通过自适应门限检测残差图像中的目标,非线性函数回归和红外序列图像检测实验表明核方法较大地改进了算法的非线性函数估计与红外背景预测能力.     

基于方向描述符的物体检测

对于形状和表面纹理都有变化的物体的检测,局部不变性算子并不适用,而现有的局部描述符对于区分这种形状的作用也并不明显。为此本文提出了一种新的基于方向描述符的物体检测算法。根据模型轮廓图或边缘图像计算出初始描述符,在此基础上为图像中的每一点生成方向描述符。方向描述符既可以描述边界的走向,又可以容忍边界的较小变形。使用多分辨率加速的滑动窗口算法,将每个有效的候选区域与模型的描述符矩阵进行匹配,以判断此位置是否包含目标物体。实验结果显示,本文算法取得了相对较高的检测率。     

Bit Rate Reduction in Cloud Gaming Using Object Detection Technique

The past two decades witnessed a broad-increase in web technology and on-line gaming. Enhancing the broadband confinements is viewed as one of the most significant variables that prompted new gaming technology. The immense utilization of web applications and games additionally prompted growth in the handled devices and moving the limited gaming experience from user devices to online cloud servers. As internet capabilities are enhanced new ways of gaming are being used to improve the gaming experience. In cloud-based video gaming, game engines are hosted in cloud gaming data centers, and compressed gaming scenes are rendered to the players over the internet with updated controls. In such systems, the task of transferring games and video compression imposes huge computational complexity is required on cloud servers. The basic problems in cloud gaming in particular are high encoding time, latency, and low frame rates which require a new methodology for a better solution. To improve the bandwidth issue in cloud games, the compression of video sequences requires an alternative mechanism to improve gaming adaption without input delay. In this paper, the proposed improved methodology is used for automatic unnecessary scene detection, scene removing and bit rate reduction using an adaptive algorithm for object detection in a game scene. As a result, simulations showed without much impact on the players’ quality experience, the selective object encoding method and object adaption technique decrease the network latency issue, reduce the game streaming bitrate at a remarkable scale on different games. The proposed algorithm was evaluated for three video game scenes. In this paper, achieved 14.6% decrease in encoding and 45.6% decrease in bit rate for the first video game scene.