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.     

基于高斯混合模型的土壤环境质量分区研究

受自然环境因素、人为活动因素综合作用,土壤环境质量在空间上具有明显分层异质性,基于采样点进行环境质量分区是土壤环境质量管理中的关键问题。本文提出一种基于采样点与辅助因素的土壤环境质量分区方法,在采用地理探测器分析土壤环境质量主要影响因素的基础上,运用高斯混合模型对土壤采样点进行属性聚类,结合河流道路等对聚类结果进行边界调整,形成环境质量分区。以北京市顺义区采样数据为例开展方法验证,结果表明:本方法的分区结果优于SOFM聚类、K-means聚类,适用于人为和自然活动综合影响的环境质量分区。     

基于改进YOLOv7的杂交大豆苗期胚轴颜色检测模型

为构建田间杂交大豆胚轴颜色检测模型,以大田场景下的大豆植株为研究对象,利用自走式大豆表型信息采集平台获取图像数据并构建杂交大豆胚轴颜色数据集,使用不同目标检测模型（SSD、Faster R-CNN、YOLOv3、YOLOv4、YOLOv5、YOLOX和YOLOv7）对杂交大豆胚轴颜色数据集进行检测,将模型分数（F1）、平均精度均值（mAP）及检测速度3个指标用于评估不同模型在杂交大豆胚轴颜色检测中的性能。在YOLOv7网络中添加CARAFE特征上采样算子、SE注意力机制模块和WIoU位置损失函数,建立杂交大豆胚轴颜色检测模型YOLOv7-CSW,并利用改进模型对杂交大豆胚轴颜色数据集进行消融试验。结果表明：1)YOLOv7模型的F1(0.92)与mAP(94.3%)均显著高于其他模型;2)YOLOv7模型的检测速度为58帧/s,低于YOLOv5和YOLOX,检测速度可以满足田间实时检测任务需求;3)YOLOv7-CSW模型比YOLOv7模型的F1和mAP分别升高0.04和2.6%;4)YOLOv7-CSW模型比YOLOv7模型检测速度升高了5帧/s,可以实现杂交大豆胚轴颜色实时检测。综...     

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...     

基于双通道目标运动检测的乒乓球运动决策系统*

动作是体育运动的关键技术，要规范运动员动作，不但使他们的运动成绩能够达到或接近最高水平，同时也可以避免运动员积累型运动损伤，达到这样的训练目的就需要科学的方法。目前，我国已经建立了标准动作多媒体视频数据库，利用了一种双通道目标运动检测算法，结合了运动检测技术和人的行为理解方法，实现了感知技术对体育动作量化分析和体育动作模式识别。针对乒乓球快速多变特点，以及手腕动作的精细变化与球拍的较高关联度，对乒乓球和乒乓球拍建立了离散小波变换的空时模型，剔除运动模式识别中的噪声孔洞有助于提高检测的正确性。通过定性分析和实验结果，这种基于双通道混合算法的乒乓球运动决策系统能够较为准确的识别乒乓球运动中的有误动作，为及时更正动作提供了科学和有效的依据。     

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.     

基于改进YOLOv4模型的群养生猪姿态检测

为了提升猪舍环境下生猪姿态检测的速度和性能，在YOLOv4模型的基础上提出一种改进的Mini＿YOLOv4模型。首先，该模型将YOLOv4的特征提取网络改为轻量级的MobileNetV3网络结构，以降低模型参数量；其次，在检测网络的CBL＿block1、CBL＿block2模块中使用深度可分离卷积代替传统卷积，避免了复杂模型导致的内存不足和高延迟问题；最后，将原YOLOv4网络每个尺度的最后一层3×3卷积改为Inception网络结构，以提高模型在生猪姿态检测上的准确率。应用上述模型，对生猪的站立、坐立、腹卧、趴卧和侧卧5类姿态进行识别。结果显示，Mini＿YOLOv4模型较YOLOv4模型在检测精度上提升了4.01百分点，在检测速度上提升近1倍，在保证识别精度的同时提升了实时性，可为生猪行为识别提供技术参考。     

基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。