基于混合高斯背景模型的水面目标检测

通过混合高斯背景模型法对水利监控视频图像中的水面运动目标进行检测。根据河流水面的特点,采用混合高斯模型为水面背景建模,并运用在线EM算法进行背景模型的快速更新,然后用学习的高斯背景模型进行水面目标检测。该背景模型能够克服各种外部因素的影响,如光照变化、水面波浪,水面反光等,具有很强的适应能力,并能够满足实际应用中对目标检测的实时性要求。     

基于混合高斯模型的生猪个体检测算法

背景模型对于视频中运动目标检测的目标提取至关重要。高斯混合模型(GMM)是背景模型中常用的方法之一。混合高斯模型对于目标生猪检测存在算法效率低、误判点和鬼影等缺点。对此本文提出了一种基于自适应高斯混合模型的改进算法,以克服传统高斯混合模型在猪目标检测中的不足。本文基于高斯混合背景模型,引入了视频帧m和t_0的两个新参数。在混合高斯背景模型基础上,为了提高建模收敛速度,采用自适应调整高斯分布模型个数。本文通过每m帧对高斯分布进行一次扫描,删除多余的高斯分布,来提高模型的收敛速度。同时,采用自适应调整学习率值来消除误判和鬼影;初始阶段采用较高而且递减的学习率,在t_0帧之前加快背景建模;随着时间的持续,背景模型逐渐变得稳定,此时可以使用较小的学习率。t_0帧后为了保持稳定的背景建模,减少噪声干扰,本文采用了在t_0后使用固定的学习率。实验结果表明,该算法能够快速建立初始背景模型,检测运动目标猪,并提取目标猪的完整轮廓。该算法具有良好的鲁棒性和适应性。     

基于分区灰度投影稳像的运动目标检测算法

针对视频监控系统中,复杂环境引起摄像机抖动,造成运动目标检测不准确的问题,提出了一种基于分区灰度投影稳像的运动目标检测算法.首先对每帧图像进行分区,利用分区灰度投影算法对图像各分区的运动矢量进行准确提取和相关性分析,进行抖动判断,并对抖动帧进行运动补偿.然后利用高斯混合背景建模算法进行运动目标提取.最后对目标提取结果进行形态学处理,以进一步提高目标提取的精度.实验结果表明,本文算法较好地消除了场景中运动目标对运动矢量计算的干扰,实现了在摄像机抖动视频场景中的运动目标的准确检测和提取,大大降低了抖动视频目标检测的虚警率.     

基于马尔可夫随机场的运动物体检测方法

智能监控的实现是避免和防范变电站内各种潜在危险的一种有效途径.为了更准确判定变电站工作人员的运动状态,提出一种基于高斯混合模型结合马尔可夫随机场的运动物体检测方法.在图像的HSV颜色空间通过混合高斯背景建模实现对运动物体的初步检测,采用区域性马尔可夫随机场与运动物体模板匹配实现运动物体的精确检测,并根据模板去除存在的阴影.结果表明,该方法可在变电站不同背景条件下有效检测出运动物体,为运动物体的行为分析及运动场景拼接奠定了良好的基础.     

基于混合高斯模型融合背景减差的猪只运动跟踪

由于猪是非刚性目标且猪场情况复杂多变,利用混合高斯模型自适应背景建模强的特点,对猪进行目标提取与跟踪。由于猪目标会长时间静止,导致融入背景后无法检测,本研究采用背景减差法在一定程度上予以补偿,使静止的猪目标不会跟踪丢失,之后在HSV颜色空间下,利用其对光照不敏感的特点对检测出的猪目标进行阴影消除,以提高跟踪精度。最后,在猪耳设定颜色标记并利用满水填充法,解决多个猪目标交错及相互靠近后分离运动时产生的跟踪错误和丢失跟踪目标的问题。经对比经典Cam-Shift跟踪算法,本方法跟踪效果良好,精度较高,为生猪健康研究提供了重要依据。     

基于高斯混合模型的类人机器人果实辨识研究

针对类人机器人的特点,设计了一个具有果实辨识功能的类人机器人系统。类人机器人自带的摄像头作为视觉系统,通过视觉系统收集彩色果实图片,将RGB颜色转换成HSV颜色,结合高斯混合模型算法,通过训练得到每类果实所对应的分类器模型参数,构造分类器,实现类人机器人对果实准确高效的识别。     

关于冲力情况下的高斯最小约束原理

本文探讨了在冲力情况下高斯最小约束原理的广义坐标形式，提出以广义坐标表达的约束的定义，并据此用求多变量函数极值（或条件极值）的方法解算了刚体系统的碰撞问题。     

序列图像运动目标的检测与提取

本文对视频图像中运动目标的检测与提取的算法进行了研究,并在计算机上做了仿真.本文采用背景差分法,针对序列图像首先建立了基于高斯统计模型的背景模型,然后用差分法提取运动目标,用形态学滤波去除噪声.仿真结果表明,算法是有效的,能够得到较好的结果.     

基于卡尔曼滤波器的运动目标检测与跟踪

针对摄像机静止的情况,提出了一种可运用于实时监控中的运动目标检测与跟踪的方法．采用更新函数实现背景实时更新,通过差分算法检测运动目标．在跟踪模块中,提出建立帧间目标“关系矩阵”实现多个运动目标匹配,并采用卡尔曼滤波器预测目标参数,在运动目标相互遮挡的情况下,根据预测参数跟踪目标,获得目标轨迹．通过多个图像序列测试,算法具有良好的实时性和适应环境变化的能力．     

基于空间变化的栅格水文模型构建

传统水文模型在水量模拟实践中取得了一些满意的结果,但由于传统水文模型大多不能反映下垫面特性对降雨径流过程的影响,从而限制了其在更广泛涉水领域的应用和发展.本文在地貌形成理论的基础上,充分考虑了流域内地形、植被、土壤、土壤水分参数等因素对流域蓄水容量空间分布的影响,提出了基于栅格蓄水容量空间变异的分布式水文模型.     

基于MF-SSD卷积神经网络的玉米穗丝目标检测方法

目的 玉米穗丝是玉米的授粉器官,生长发育状况会影响玉米的产量。为了在玉米生长状态监测和产量预测工作中实时准确识别玉米穗丝,提出一种基于多特征融合SSD (MF-SSD)卷积神经网络的玉米穗丝检测模型。方法 基于特征图对玉米穗丝进行检测,在VGG16-SSD的基础上,用MobileNet替换特征提取器,加入多层特征融合结构,得到MF-SSD网络模型;通过网络优化调整,试验了MF-SSD-cut-3、MF-SSD和MF-SSD-add-3共3种网络结构,优选出检测性能最好的网络结构用于玉米穗丝检测。基于玉米穗丝图像数据集,应用0~180°随机旋转原始图像和水平翻转、平移原始图像2种数据增广技术提升模型训练效果。对是否使用二次训练策略和是否使用Focal loss解决样本不平衡问题进行了试验,并对比分析Loss的下降过程。结果 通过加入多层特征融合结构对SSD模型改进后能够提高网络的检测能力,提升识别速度。与VGG16-SSD相比,MF-SSD在交并比指标方面的平均精度提高7.2%,对玉米穗丝小目标检测的平均召回率提高19.6%,检测速度最高能提升18.7%。在存储空间和运行时间有较高要求的嵌入式环境下,MF-SSD-cut-3模型在满足检测效果的前提下,以较小的空间代价获得了相对较短的运行时间;在不考虑空间和时间因素的情况下,MF-SSD模型获得更好的检测效果。二次训练策略提高了网络的收敛速度和模型的稳定性;Focal loss有效解决了SSD算法中正负样本数量不平衡问题,使网络模型的训练更容易收敛。结论 MF-SSD模型对小目标的检测能力能满足农业生产中对玉米穗丝的实时检测需要,可以用于玉米生长状态的自动监控和产量的精准预测。     

一种基于支持向量机的植物根系图像边缘检测算法(英文)

由于传统边缘检测方法中存在的比如粗糙边缘、噪声边缘和不准确边缘等缺点,因此在植物根系的研究中,采用传统的图像边缘检测方法检测出来的边缘信息都无法达到令人满意的效果。本文基于支持向量机方法给出一种新型、简单有效的边缘检测算法。基于带高斯径向基核函数的最小二乘支持向量机,得到了一簇梯度算子和相应的二阶导数算子。用所得到的边缘检测算法与Canny和Prewitt算法的性能进行了比较。仿真结果表明本文给出的算法与传统算法相比,不仅边缘检测性能得到提高,而且可以一定程度地克服噪声干扰。