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。     

基于改进Camshift的竹材加工目标检测跟踪算法研究

将计算机视觉技术应用到数控剖竹机运动加工目标的检测和跟踪中,提出一种基于改进Camshift算法的适合竹材加工运动目标检测和跟踪算法.针对竹材检测、跟踪过程中的干扰因素,通过图像的色度值来代替背景图像的亮度值,来减少阴影干扰,采用背景差分法与帧间差分法相结合的目标检测方法,改进Camshift算法,利用HSV图的H分量均值和每一帧H分量均值的差值结果来进行H分量均值更新,以克服光照影响,并利用Kalman滤波实现对下一帧竹材所在位置进行预测,预测结果用于修正Camshift算法的跟踪结果.结果表明,改进的算法能够对运动竹材目标进行实时跟踪,算法高效、准确.     

基于目标检测算法的松材线虫病染病松树检测

松材线虫病被称为松树的“癌症”,严重威胁我国丰富的松林资源。针对目前染病松树株数统计问题,本文采用YOLO v4、SSD和Faster R-CNN这3种目标检测算法,对病疫区RGB影像染病松树进行训练,引入面向对象的VEG-OSTU方法进行对比,验证基于深度学习的目标检测算法替代面向对象方法检测染病松树的可行性和最佳算法。实验结果表明：VEG-OSTU方法进行染病松树检测时的F1只有57.9%,这3种目标检测算法都比VEG-OSTU方法的F1高出24%以上,验证目标检测算法代替面向对象方法检测染病松树是可行的;其中,SSD算法的F1最高为88.5%,相比YOLO v4和Faster R-CNN分别高出4.7%和4.2%;此外,SSD检测时的FPS为57.89,在3种算法中针对染病松树检测效果最佳。     

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．     

Horn-Schunck光流算法在运动目标检测及跟踪中的运用研究

光流技术是提取图像序列全局的或特征点的运动信息并对运动信息加工处理以完成目标的跟踪和检测的方法.具体分析了Horn-Schunck光流算法(简称HS光流算法),并将该算法应用到视频图像序列中.研究表明,利用HS光流法计算能近似得到图像中每个像素点的运动矢量,通过找到其中光流值不为零的像素点组成的最大连通区域,可以实现运动目标的检测和跟踪.     

基于改进YOLOX模型的芝麻蒴果检测方法研究

为实现密集条件下芝麻蒴果的准确检测,提出基于YOLOX模型的芝麻蒴果检测定位方法(CE-YOLOX模型)。该模型以CSPDarknet-53作为主干特征提取网络,在路径聚合网络PANet中增加104×104大尺度特征层,增强对目标细粒度特征信息的获取;通过引入注意力机制模块获取目标重要的轮廓特征和空间位置信息;将传统的NMS替换为更有利于重叠目标检测的Soft-NMS算法来降低漏检情况。结果表明,在IoU阈值为0.5时,CE-YOLOX模型在全部测试集上的调和均值(F₁)、召回率、平均精度分别为0.99、98.65%、99.71%,与原模型YOLOX相比,该模型分别提升了0.05、6.27个百分点、3.28个百分点。通过蒴果计数试验,CE-YOLOX模型计数准确率为96.84%,比YOLOX模型提高了5.28个百分点。改进后的模型CE-YOLOX适用于密集条件下芝麻蒴果检测。     

基于Hough变换的线段检测算法的改进

基于Hough变换的基本理论及目前的改进算法,针对Hough变换所存在的参数峰值不明显、存储空间大及计算速度慢等不足,提出了一种改进的随机Hough变换,可实现由长到短逐次提取线段,并给出了线段起始点和终止点的计算方法。实验证明了该改进算法的有效性。     

基于轻量化YOLOv4的生猪目标检测算法

针对目前生猪目标检测算法模型较大,实时性差导致其难以在移动终端中应用等问题,将一种改进的轻量化YOLOv4算法用于生猪目标检测.在群养猪环境下以不同视角和不同遮挡程度拍摄生猪图像,建立生猪目标检测数据集.基于轻量化思想,在YOLOv4基础上缩减模型大小.结果表明,本研究算法的准确率和召回率分别为96.85％和91.75...     

基于CenterNet搭配优化DeepSORT算法的断奶仔猪目标跟踪方法研究

[目的]断奶仔猪是生猪养殖业中的重点关注对象,群养环境下的仔猪精准跟踪是分析仔猪个体行为、监测仔猪个体健康的基础。本文提出1种基于深度学习的断奶仔猪目标跟踪方法。[方法]利用基于中心点的CenterNet检测算法设计断奶仔猪目标检测模型,对DeepSORT算法的检测部分进行优化;训练优化跟踪过程中提取仔猪目标外观特征的模型,结合卡尔曼滤波和匈牙利匹配算法,改进重识别环节,实现具有深度关联度量的断奶仔猪目标实时检测与跟踪。[结果]算法测试结果表明,断奶仔猪目标检测模型的平均精度均值和召回率分别为99.0%和78.6%,多目标跟踪精度MOTA和MOTP指标分别为96.8%和81.8%。[结论]本文所提方法改善了因断奶仔猪外表高度相似性以及黏连遮挡情况导致跟踪困难的问题,可在群养环境中精准跟踪断奶仔猪个体,算法为后续仔猪个体行为分析研究提供技术支撑。     

视频监控中背景的提取和更新算法

获取高质量的背景图像是在背景消减法中决定目标提取效果的关键.针对传统方法存在的问题,从实际情况出发提出一种改进的背景提取和更新算法,并在Matlab环境下进行仿真,仿真结果显示该算法具有良好的性能,说明它对于各种外部因素的影响,如光照变化、阴影、目标遮挡等,具有很强的适应能力.     

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。     

基于萤火虫最优偏差算法的农田红外目标检测研究

为了提高农田红外目标检测的性能,采用萤火虫最优偏差算法对其进行研究。首先,建立红外目标检测模型,构造红外图像目标灰度值最优偏差估计;然后,萤火虫算法在决策域范围内更新;接着,萤火虫在寻优分析中以红外点目标成像的艾里斑能量分布作为萤火虫适应度函数,且给出算法实现流程;最后,实验仿真显示,本文算法能够检测出红外目标区域,边缘定位准确,同时检测效率较高。     

基于改进加权关联规则算法的入侵检测系统

入侵检测系统中的数据漏报和误报一直是困扰网络安全的问题,只有解决了这个问题才能真正提高网络安全性。通过研究加权关联规则挖掘算法,将关联规则算法应用到入侵检测系统的海量数据挖掘,研究一种基于改进加权关联规则算法的入侵检测系统,并给出了该系统的模型和流程结构,通过测试证实该模型可满足当前网络安全各项入侵检测系统的要求。     

基于HT的多条直线检测的特点及其算法改进

依据霍夫（Hough）变换原理,给出了多条直线检测的算法,分析了基于霍夫变换（HT）检测多条直线的特点,即直线—峰值对应性,检测直线不确定性（针对斜率大于0的情况）,累加器A的值与待测直线段长度的关系,带噪声多条准直线的参数空间峰值特征,倾角为90°的直线段参数空间峰值特征,并有针对性的提出了改进方法。提出了依据峰值自动搜索填充范围的算法,实现了峰值的搜索,并通过马铃薯作物的行检测验证了该方法的有效性。     

基于目标PSO算法的工程项目优化研究

近年来,国内建筑工程类产值与投资获得高速增长,建筑工程已成为我国重要的支柱性产业,合理有效地进行项目管理对建筑行业发展具有重要意义.以项目工期、成本及质量为项目施工的3大管理目标,通过对参数分析构建项目多目标优化模型.考虑到工程项目属于多目标优化求解问题,采用先进的PSO算法(Particle Swarm Optimization, PSO)构建工程项目多目标求解模型.由于传统的PSO算法在训练中存在局部最优解问题,采用最优位置策略来优化算法,完成对工程项目多目标问题的求解.在模型性能测试中,选择Schaffer基准函数来检验各算法性能,改进PSO算法能够在第6次迭代时趋于收敛,全局最优值为0.002 5,相较于另外3种算法误差更低,收敛速度更快.以某工程项目为实验对象,采用改进PSO算法对多目标模型进行求解,与原有规划目标相比,工程项目优化过后建设成本下降了3.785%,工期缩短了3.103%,同时工程项目自身质量与环境质量均满足工程项目要求.     

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.     

基于改进ORB-SLAM2算法的动态特征点剔除

随着SLAM系统的不断发展,人们对定位服务的要求越来越高,提高定位精度是一直以来不断研究的课题。为了能以更高定位精度的方式来获取图像中的语义信息,本文首先通过对比One stage算法中的网络模型选用了YOLOV5网络模型对目标物体进行检测和识别,提出一种基于动态区域内剔除动态特征点的SLAM算法,利用训练的网络提取图像中语义信息并对动态目标特征点进行剔除,在公开TUM数据集上进行验证,通过对比真实轨迹和本文算法的估计轨迹来进行误差分析。试验结果表明,本文提出的改进算法相对位移误差的均方根误差减小了97.83%,相对旋转误差的均平方根误差减小了96.80%。     

基于卷积神经网络的番茄目标检测

番茄目标检测有利于提升番茄采摘的智能化程度。本文针对番茄目标检测问题,提出了一种基于Yolo3的目标检测方法。通过对数据集手工标注,并利用kmeans聚类算法更新先验框参数,实现了数据模型的训练测试与模型评估。实验结果表明,所采用方法的目标检测mAP为96.34%,能够有效地实现番茄目标检测。     

空间约束混合高斯运动目标检测

目的 针对传统混合高斯模型前景检测运算量过大问题,提出一种基于空间约束的混合高斯前景检测算法。方法 通过快速初始化缩短模型的初始建立过程;采用双重背景模型机制,以自适应背景减法的前景检测结果作为混合高斯前景检测的空间约束条件,降低模型在背景区域的冗余运算;运用多策略自适应模型更新,提高前景检测的准确性。结果 在各种测试场景下,与传统混合高斯法、CodeBook、GMG、偏差均值混合高斯模型(MODGMM)等算法相比,该算法具有更好的准确率以及4倍以上的处理速度。结论 在固定相机场景下的运动目标检测中,算法能有效提高传统混合高斯法的准确性且具有极高的实时性。