结合阴影抑制的混合高斯模型改进算法

混合高斯模型背景法作为运动目标检测的一种经典方法,已经广泛应用于智能视频监控系统中。但是,传统的混合高斯模型背景法容易将阴影误检测为运动目标的一部分。因此,针对该方法在区分阴影和运动目标方面的不足,提出了一种将混合高斯模型背景法和HSV空间阴影抑制相结合的运动目标检测算法。这种改进算法首先将颜色空间转换到HSV空间,初步提取运动目标,然后再利用阴影的灰度值比背景中的灰度值小,而前景的灰度值比背景中灰度值大的特性,检测出运动目标中的阴影。实验结果表明,这种改进的算法明显提高了检测效果,有效抑制了阴影对运动目标检测的干扰,算法实时性也较好。     

基于四叉树分解与图割的彩色图像快速分割

图割是一种基于图论的组合优化方法,基于图割的GrabCut是一种高效的前景提取算法。然而,GrabCut为达到一定分割精度,在高斯混合模型参数估计过程中多次迭代使用图割,这使得GrabCut在处理海量级图像数据时,耗时往往比较大。通过四叉树分解,可以将图像划分成区域内相似度高的若干分块,以构建精简的网络图,并用块内的RGB均值代替该块内的所有像素点的值进行高斯混合模型参数估计,从而减小问题规模,提高算法效率。实验结果表明了算法的可行性及有效性。     

混合休眠策略的ZigBee多点监控自组网设计

分析了ZigBee多点监控网络中休眠节点工作不同步、网络性能不稳定等问题,提出基于混合休眠策略的 ZigBee多点监控自组网设计方案,完成基于Z Stack的软件设计,并组建ZigBee星型网络进行测试。实验结果表明,节点在维持低功耗的同时,系统的同步性、稳定性得到了提高。     

数码迷彩空间混色的影响因素研究*

针对数码迷彩的空间混色问题开展了一系列的研究实验,分析了各种影响因素与混色的关系。从人眼视觉、空间混色的形成过程入手,通过三原色的混色实验和数码迷彩的混色实验,对其影响因素如色块大小、观测距离等进行研究和量化分析,获得了它们对空间混色影响的基本规律。实验结果对于数码迷彩的设计和优化将提供可靠的参考依据。     

基于NT技术中链路时延推测算法的分析研究

在研究了当前时延推测算法的基础上,将高斯混合模型推广到有限混合模型,使得算法可以同时推测多条链路的时延分布,利用重要性抽样技术增大研究事件出现的概率,再进行抽样并对样本空间进行调整,保证了指标的无偏性和有效性,同时降低了计算的复杂度,因此此方法具有广泛的适用性。最后在NS2平台上仿真验证,说明该算法是可行的。     

华南地区典型土壤渗透性的改良配置研究

为改善我国华南地区土壤黏性大、渗透性差的问题,研究华南地区土壤与落地灰、砾石、沸石、海砂、草根和枯树叶等多种材料的改良配置,测试不同重量配比下试验土壤的渗透性,获取不同有机、无机材料对典型土壤自然入渗能力的改善效果(包括各种材料的单独作用和择优性混合作用效果)。结果表明:单材料试验中,低重量配比的草根和枯树叶试验土壤的峰值入渗速率分别为0.178 mL/s和0.163 mL/s,且有机材料的改良效果优于无机材料。高重量配比的5～9 mm砾石和5～9 mm落地灰试验土壤分别在重量配比为40%和60%情况下,峰值入渗速率达0.338 mL/s和0.717 mL/s,在同重量配比的所有材料里具有最佳入渗效果。多材料混合试验中,枯树叶、5～9 mm砾石和5～9 mm落地灰相结合的试验土壤实现最佳入渗效果。研究成果为改善华南地区土壤渗透性能提供科学依据。     

HSV自适应混合高斯模型的运动目标检测

在目前的计算机视觉应用中,从视频序列中提取出运动目标是一个研究热点。针对传统方法在复杂多变环境下不能很好地检测出运动目标且运算量较大的问题,根据HSV颜色空间的特点,提出了一种基于HSV颜色空间的自适应混合高斯背景建模和阴影消除的方法。首先,在传统的混合高斯背景建模的基础上,引入了一种新的混合高斯模型高斯成分个数的自适应选择策略以提高建模的效率。其次,根据阴影在HSV向量空间的特点,融入了一种新的阴影消除方法,以检测出带阴影的运动目标。该方法能够快速准确地建立背景模型,准确分割前景目标。与传统的阴影消除方法相比,该方法可以在不需要设置阂值的情况下,对运动目标的阴影进行很好的消除,有很好的鲁棒性和实用性。     

融合高斯混合模型和小波变换的运动目标检测

当前景目标与背景在颜色上接近时,仅采用高斯混合模型进行目标检测容易导致误判。为了提高模型分割算法的鲁棒性,提出一种融合高斯混合模型和小波变换的运动目标检测算法。通过小波变换提取图像的纹理特征信息,利用高斯混合模型拟合背景信息。将两者融合起来,把纹理信息作为颜色信息的补偿,保证了模型在线更新背景信息时模型的稳定性和收敛性,同时弥补了目标分割中前景与背景颜色信息接近时容易导致误判的不足。实验结果表明,本文方法比经典高斯混合模型方法具有较高的分割精度。     

基于多阶抽样的高斯混合模型彩色图像分割

针对传统高斯混合模型应用于彩色图像分割时计算复杂度高等问题, 提出一种多阶抽样的高斯混合模型的彩色图像分割算法。首先,给出采样数定理及其证明,并推导出与聚类类别数和最小聚类相关的最小采样数目;其次,设计一罚函数判断抽样优劣,消除抽样对聚类模型影响,根据最小采样数数目,对像素点进行均匀采样,并利用高斯混合模型对采样像素点进行聚类;最后,定义像素点和类之间的距离,对剩余的像素点按距离最近原则进行划分。实验结果表明算法具有有效性。     

基于谱聚类与混合模型的SAR图像多尺度分割

针对谱聚类方法应用于合成孔径雷达（SAR）图像分割时Laplace矩阵的特征值和特征向量难以计算的问题,结合SAR图像在多个尺度的统计信息,给出了一个包含顶点凝聚、初始分割和分割细化3个步骤的SAR图像多尺度分割方法。首先,用一个顶点数不断减少的凝聚图序列来逼近从SAR图像得到的图;然后应用谱聚类方法对最粗尺度的凝聚图进行分割得到初始分割结果;最后根据SAR图像的统计性质,利用基于混合模型估计的分类后验概率将初始分割结果逐尺度进行细化得到SAR图像的最终分割。实验结果表明了方法的有效性。