利用切比雪夫不等式的背景建模算法

针对运动目标检测问题中的背景建模问题,提出一种结合切比雪夫不等式和核密度估计的背景建模方法.首先利用样本均值与样本方差及切比雪夫不等式,快速计算各像素点属于前景和背景的概率,判别出前景点、背景点及可疑点.对可疑点再利用核密度估计方法,估计其属于前景与背景的概率密度来进行背景前景判别,最后通过设定阈值完成实时背景建模.实验结果证明,利用切比雪夫不等式能快速区分有明显特征的前景点与背景点,采用背景更新算法能得到理想的背景图像,降低了背景图像提取的误差,显著地提高了背景建模的速度.     

基于自适应阈值设置的运动目标检测算法

提出一种基于自适应阈值设置的运动目标检测算法,该算法不同干传统的全局阈值设置方法,而是利用核密度对背景像素点进行密度估计,给出一种新的全局和局部阈值相结合的自适应阈值设置方法。该方法考虑不同位置的像素颜色分布复杂度不同,针对每个像素点自适应设置局部阈值,能克服全局阈值的不足,提高检测的精度。对多个标准视频进行实验,实验结果证明了该算法的有效性。     

切比雪夫多项式及其插值法在检测中的应用研究

介绍了切比雪夫多项式及其插值算法的实现，结合传感器输出特性的非线性补偿、非线性校正以及检测系统中的复杂计算，分别给出了应用实例。结果表明，这些方法能用于智能传感器系统以及嵌入式微控制器中的软件数据处理，提高检测的实时性和精度，在工程上具有很好的应用价值。     

预测型切比雪夫多项式

预测型切比雪夫多项式,是切比雪夫多项式及最佳逼近理论在预测中的一个推广应用,可以解决一般预测中预测的可知、可控性问题。文中通过讨论后指出,在预测中,当预测误差不超过已知最大绝对误差时,预测将成为可知;当预测区间不超过已知最大范围时,预测将成为可控。基于这个原理,建立了一种具有预测功能的预测型切比雪夫多项式,[Gn(x)]多项式。论证了该多项式依据的微分方程、相关定义、有关性质、数学表式;阐述了该多项式的存在性;给出了[Gn(x)]多项式在[y(x)≠0]条件下构成的预测型最佳逼近[g(x)]多项式;提供了[g(x)]多项式得以实现的具体算法;介绍了一种使预测结果更接近实际值的误差补偿法;并给出了若干应用实例。     

基于Parzen核估计的动态背景建模算法

利用非参数估计理论核密度估计方法,研究了多模态场景参考帧的动态维护与更新问题.针对户外伴有树木晃动、水波荡漾等问题的复杂环境,在利用Parzen核估计算法进行动态背景建模的基础上.对该算法进行改进.首先,在运动前景检测阶段,给出了一种改进的阈值设定算法,提高了像素点分类的准确性.其次.在去除噪声阶段,利用像素邻域相关性,降低了目标检测的虚警率.实验结果表明:该算法可更有效地对运动目标进行检测,并具有较强的实时性.     

基于切比雪夫核的SVM在语音识别中的应用

支持向量机的核函数因参数寻优问题,产生了额外计算量,从而降低了在语音识别应用系统中的实时性.鉴于以上弊端,在语音识别系统中,运用了一种基于切比雪夫多项式的核函数.该函数在训练过程中能够获得更少的支持向量个数,同时该函数结合了高斯核函数的优良性能,对广义的切比雪夫核函数进行了适当的改进得到修正切比雪夫核函数.实验运用了两个不同的语音数据库分别进行了对比实验,取得了较为理想的效果,提高了支持向量机的泛化能力及语音识别系统的鲁棒性.     

基于切比雪夫映射的密钥协商协议

基于高有效位的数字计算方法和误差估计方法,对目前已提出的基于切比雪夫映射的公钥加密方法进行了改进,得到一种密钥协商协议。对其性能分析结果表明,该协议具有较高的安全性和实用性。     

基于双曲切比雪夫逼近的光谱模板构造

我国正在实施的大型巡天项目(LAMOST),迫切需要一套恒星光谱自动识别与分类系统.恒星光谱的自动识别与分类很大程度上依赖于恒星光谱模板库的质量.恒星光谱分类模板库中模板光谱数量越少,恒星光谱的自动处理速度越快.论文给出了一种基于切比雪夫双曲线逼近(two curve Chebyshev approximation)分...     

一种利用切比雪夫逼近求解库存最优控制的方法

针对供应链中库存随着需求的变化可能导致的积压和对生产(或采购)产生的不利影响,为更好地协调生产(或采购)并减少产品库存,研究了一类基于库存约束和动态时变需求下的多品种、多周期、多循环的生产与库存的最优控制模型.结合最优控制理论,给出一种采用切比雪夫多项式逼近和高斯-切比雪夫数值积分对库存最优控制问题进行数值求解的方法.实例分析表明该方法是可行的.     

多元切比雪夫神经网络及其快速权值确定算法

与传统的多层感知器模型相比,切比雪夫神经网络具有收敛速度快,复杂度低,泛化能力强等优点,但是,其研究最为广泛的一元切比雪夫神经网络在解决实际应用中的多元问题时存在着很大局限。鉴于此,对一元切比雪夫神经网络进行扩展,提出了多元切比雪夫神经网络模型,并在切比雪夫多项式正交性的基础上给出了快速权值确定算法。仿真实验证明,相对于传统多层感知器神经网络,该方法在计算精度和计算速度等方面都存在明显优势。     

基于混合高斯模型的目标差分自适应背景模型

提出一种自适应背景更新率的方法。在混合高斯背景模型基础上。通过混合高斯匹配将前后两帧分割出的运动目标作差分。差分后再次采用混合高斯匹配分辨出过去目标区和当前目标区。在背景更新的过程中,加大过去目标区的更新率,让运动目标在出现停滞状态时给背景模型带来的干扰区域得到快速恢复。试验结果表明,该方法有效地提高背景模型的鲁棒性。     

基于自适应混合差分的快速视频目标检测法

目标检测是视频跟踪过程一项重要的处理技术.目前,国内外常用主流的目标检测方法有基于统计的方法和差分法.基于统计的方法(如GMM等算法)计算量较大,而且不适用于快速移动的刚性物体分析;差分法容易造成跟踪对象重叠部分的较大空洞,造成分割结果不连通,而且大多需要人工给定参数阈值.本文针对以上方法的不足,提出了一种适用于分析快速移动刚性物体的目标检测方法:自适应差分法.新方法采用了混合差分策略提高了对象分割质量,并用高斯初始化策略实现了阈值的自适应选取.实验结果表明:自适应差分法比GMM算法、相邻差分法和间隔差分法效果更优且抗噪能力更强,更易应用于实际.     

显著度目标示性及背景自适应约束的目标跟踪算法*

针对目标受环境干扰和自身姿态变化引起的跟踪漂移和目标丢失等问题,提出显著度目标示性及背景自适应约束的目标跟踪算法.在粒子滤波跟踪框架中,首先根据贝叶斯显著度分别对目标区域和扩展目标区域内的像素特征加权,构建目标的示性模型.再根据背景区域的显著度,自适应地选择背景区域约束跟踪过程.最后根据目标当前的外观状态,利用目标与背景之间的关联性得到跟踪结果.文中算法的显著度目标示性模型降低目标匹配中的误差,自适应背景约束提高目标受到遮挡或姿态发生变化时的跟踪准确性.实验表明,文中算法具有较强的跟踪鲁棒性和较高的跟踪准确率.     

自适应的SILTP算法在运动车辆检测中的研究

为了提高复杂背景下运动车辆的检测效率,结合SILTP算法提出了一种自适应的SILTP算法。首先,对运动车辆图像进行二维离散小波变换,提取出两次低通滤波后的图像。其次 ,通过自适应的SILTP算法获得图像的纹理信息。然后,利用高斯混合模型进行背景建模,进而利用新图像的纹理信息动态更新背景。最后,与背景模型进行比较来获得运动车辆。对公路上运动车辆的测试表明,该检测算法在复杂背景尤其是树叶抖动等情况下能够取得较高的检测率,具有良好的自适应性。     

一种基于特征增强的自适应阈值R波检测算法

为提高心电信号R波检测准确度,提出了一种基于特征增强的R波检测算法。首先经过小波分析去除心电信号的高频噪声和基线漂移,然后对信号进行差分运算,选取各数据点前后连续10个差分的最大和最小值做乘积运算,达到增强R波特征的目的,最后设定两个自适应阈值,对全部数据完成检测。实验结果:经过MIT-BIH Arrhythmia Database数据验证,R波检测准确度Acc可达99.57%,敏感度Se高达99.76%,真阳性率+P高达99.82%。将得到的结果与已有文献中的方法进行比较,本文算法简单,实时性好,检测准确率高,更符合实际临床应用的需求。     

基于Chebyshev神经网络的图像复原算法

退化图像的点扩散函数难以准确确定,为此,提出一种基于Chebyshev正交基函数的前向神经网络图像复原算法。该算法以一组Chebyshev正交基为隐层神经元的激励函数,采用BP算法对权值进行修正,达到收敛目标。给出2类Chebyshev神经网络的实现步骤及其相应衍生算法的图像恢复实现步骤。实验结果表明,该算法能较好地实现图像复原。     

基于自适应混合高斯模型的时空背景建模

提出了一种基于自适应混合髙斯模型的时空背景建模方法, 有效地融合了像素在时空域上的分布信息, 改善了传统的混合髙斯背景建模方法对非平稳场景较为敏感的缺点. 首先利用混合髙斯模型学习每个像素在时间域上的分布, 构造了基于像素的时间域背景模型, 在此基础上, 通过非参数密度估计方法统计每个像素邻域内表示背景的髙斯成分在空间上的分布, 构造了基于像素的空间域背景模型; 在决策层融合了基于时空背景模型的背景减除结果. 为了提高本文时空背景建模的效率, 提出了一种新的混合高斯模型髙斯成分个数的自适应选择策略, 并利用积分图实现了空间域背景模型的快速计算. 通过在不同的场景下与多个背景建模方法比较, 实验结果验证了本文算法的有效性.     

一种逐周期条纹背景自适应去除算法

利用傅里叶轮廓术(FTP)可实现对单帧光栅投影条纹图像的相位提取,恢复被测物体三维信息;该方法具有实时性高的特点,但在频域滤波时易受到不均匀背景分量的干扰;现有投影条纹图背景去除方法在遇到条纹图背景分量不均匀时,存在去除效果差,严重影响重建精度的问题;针对该问题,通过实验发现单个条纹周期内的背景分量变化很小,可近似作为常量处理;结合两次希尔伯特变换能有效去除信号直流分量且保持相位信息稳定的特性,提出一种自适应的分周期条纹背景滤除方法;该方法首先对光栅投影图像中的条纹峰值进行提取,分割出逐个条纹周期;再对逐条纹周期分别进行两次希尔伯特变换,自动去除该周期内的背景分量,实现条纹背景分量的逐周期自适应去除;该方法能有效克服条纹投影图像背景分量不均匀的问题;实验结果表明,该方法相对于傅里叶轮廓术可更好地消除条纹背景分量影响,对复杂表面物体的重建异常点少,精度优于0.1 mm.     

基于模型切换的自适应背景建模方法

提出了一种基于模型切换的背景建模方法 (MSBM). 该方法以熵图像为纽带, 实现了不同精细程度的背景模型在空间上的自适应选取和在时间上的自适应切换. 对于亮度分布复杂度高的背景区域采用精细的模型以保证运动目标检测的精度, 反之采用简单的模型以降低计算量. 通过模型结构自适应结合参数自适应, 很好地兼顾了检测精度和计算代价. 基于高斯混合模型和时间平均模型的双模型切换式运动目标检测算法被用于实验研究, 结果表明这种算法的检测效果和单独采用高斯混合模型的检测效果相当, 而计算速度却比后者提高很多.