基于Vibe算法的视频前景目标提取

前景目标提取是监控视频领域的关键性技术,对于静态背景监控的前景提取,采用Vibe算法建立背景模型,应用背景差分法得到前景目标.当监控视频中包含动态背景时,在静态背景提取的基础上引入形态学处理和中值滤波处理优化前景目标提取结果.对于摄像头抖动下所拍摄的监控视频,首先进行帧间特征角点的匹配,应用仿射变换将所有帧调整至同一角度,再将调整后的每一帧图片逐一补齐黑边,最后应用非抖动下的前景提取方法即可得到前景目标.对于含有显著前景帧号的提取,采用比例分析法简单高效地取得较优的结果.     

基于监控视频的前景目标提取

对含有动、静态背景的稳定图像处理时,对比了主成分追踪鲁棒主成分分析法(RPCA)、贝叶斯鲁棒主成分分析法(Bayesian RPCA)和高斯混合模型的鲁棒主成分分析法(MoG-RPCA),3种方法对静态背景下的前景提取都较为完整.而动态背景下只有Bayesian RPCA和MoG-RPCA提取出了完整的前景目标,但是Bayesian RPCA计算速度很慢,且不能够处理复杂噪声.所以MoG-RPCA模型更具有对复杂噪声的适应性,动、静态背景情况下均提取出精度较高的前景目标,且具有较快的计算速度.当图像不稳定时,采用改进的MoG-RPCA模型对非稳定拍摄的抖动视频进行前景目标提取,并在第197帧抖动图像中清晰地提取出显著前景目标,且运算速度较快.在为了快速找到目标出现的帧时,对高斯混合模型背景差分法进行改进,利用K-means聚类算法快速得到聚类中心点,然后作为高斯混合模型背景更新时的初始化均值参数,从而提高在复杂场景下前景目标的检测精度.对于多角度追踪任务,不同角度、近似同一地点的多个监控视频图像中前景目标的提取,可采用跨摄像头视角跟踪结果融合的方法,然后对目标进行匹配.     

基于非凸加权核范数的目标视频帧选取

主要研究的是基于监控视频的显著前景目标帧选取问题.首先利用非凸加权核范数进行低秩背景估计.然后使用Markov随机场对稀疏前景目标位置矩阵进行估计,并提取出前景目标.最后定义显著前景目标区域,根据连通域面积大小,采用阈值法判断当前帧是否为显著目标帧,并采用F值来验证该模型的准确率.结果显示,模型在Campus、Curtain、Escalator、Fountain、Hall、Lobby和Office这7个数据集上的F值均超过90%,说明该模型普遍具有较高的鲁棒性和准确性.     

多场景下复杂监控视频的前景目标提取

主要针对第十四届中国研究生数学建模竞赛D题基于监控视频的前景目标提取问题展开研究.首先建立经典模型,通过对经典模型的不足之处提出针对性的优化而建立起来的优化模型:核密度优化模型,ViBe优化模型,深度卷积神经网络优化模型.上述优化模型对监控视频前景目标提取的平均F1分数为0.83.最终提出加权模型,对视频显著目标进行提取得到包含显著前景目标的帧标号.实验结果表明,加权模型能有效提取显著前景目标,并且能成功检测出视频中的单帧.     

视频监控系统中运动目标的阴影消除

本文通过分析阴影的像素特征,建立了一个关于目标帧与背景帧的对比帧来实现阴影监测和消除.为了研究问题方便,本文只考虑视频系统中的摄像头是固定位置的,并且检测目标区域中的较大阴影.利用光流法技术和背景差方法,运动目标能被快速准确的提取出来.同时,背景帧、前景帧及它们的对比帧也被提取出来,而对比帧具有更好的阴影特征.在对比帧上,可以使用静态图像处理技术的一些高效算法,来实时检测阴影区域.本文提出一个对比帧的建立方法,并进一步利用水平集方法来定位阴影区域和消除阴影.通过实验,在选择合适的阈值下,该方法是有效而快速的.     

视频车辆分类与计数的模型与应用

由于受形态变化、光照变化、视觉碰撞和视觉模糊的影响,基于监控视频的车辆分类和计数一直都是待解决的复杂问题。为了更好地解决这个问题,本文提出新的模型来更好的提取前景。详细来讲,在初次前景提取中,建立模型判断是否存在车辆碰撞,对存在碰撞的车辆通过灰度空间双阀值和YCbCr图像空间处理后,对前景进行更准确的再提取。并在此基础上针对碰撞车辆,定义间隙特征向量将车辆分割问题转换为寻找分割点的优化问题,从而给出高效的车辆分割算法,对发生碰撞的车辆进行准确分割。之后利用神经网络对车辆分类,并设计一种基于已正确对碰撞车辆分割的算法对车辆计数。实验结果表明,本文提出的模型在视频车辆的分类和计数中取得优异的表现,并且数据处理速度能够满足及时性。比起人为计算车流量或建立三维模型等进行分析车辆碰撞情况下的车辆分类与计数,此方法兼顾了准确性与时效性,效率提高,成本减少。     

多传感器数据融合与航迹预测

多传感器数据融合技术是未来军事电子领域一个重要趋势.根据6个观测雷达的观测数据进行了数据融合算法的研究.在提取目标航迹对时,对每个雷达的数据依据一定的判定条件(时间变化,角度变化在一定范围内等),分别提取出不同的目标航迹对.在提取同一目标的航迹对时,先将目标航迹的一些异常点弃除,然后把时间重合的两段航迹提取出来,通过样条插值进行时间配准,共提取出多条相关的航迹组有3组.在使用雷达探测目标时,由于技术条件和方法等的限制,使雷达数据存在各种误差.利用卡尔曼滤波自适应算法估计出观测位置的噪声方差,对雷达偏差进行修正后,采用联合卡尔曼滤波算法对多条航迹进行融合,接着利用ARMA模型预测目标在未来10秒内的轨迹,最后,对目标在被锁定后的轨迹做出预测,结合导弹的爆炸范围求得导弹击中飞机的概率约为49.54%.     

基于视网膜大细胞通路计算模型和深度学习的无人机目标检测

在复杂背景下的小型无人机红外目标检测是计算机视觉领域的挑战性课题.传统目标检测算法利用深度卷积神经网络提取无人机的静态外观特征并进行模式判别,但在复杂背景下且目标外观不清晰时的性能会显著下降.本文借鉴生物视网膜机制,通过视网膜大细胞通路模型提取无人机目标的时空运动信息,同时借助深度卷积神经网络获得基于静态表观特征的目标置信度图,进而将视网膜时空运动信息与深度卷积网络的目标置信度图进行融合获得目标检测结果.在Anti-UAV2020公开数据集上的评估结果表明,所提出算法的检测精确率达到86.90%,超过了业内主流的YOLO-v3算法.     

基于区域推荐和深度卷积网络的交通目标检测

为解决传统目标检测算法需要人工设定目标特征、使用滑动窗法判断目标可能区域耗时等问题,将基于区域推荐和深度卷积网络用于交通目标检测,直接从原始图像提取特征,免去了人工选取特征的环节;解决了滑动窗口法耗时的问题.首先采用Selective Search方法在源图像上生成大量的候选区域,以这些候选区域作为输入样本,训练深度卷积网络学习算法,自动进行特征提取,对每个候选区提取的特征采用SVM分类器进行分类,最后基于贪婪非极大值抑制方法精修候选框的位置.此算法通过matlab编程分别对单目标、多目标及多类交通目标进行检测实验,证明了所提方法的可行性和有效性.     

SFE-SSD: 浅层特征增强的SSD算法在小目标检测问题中的研究与应用

SSD (Single Shot Multibox Dectetor)算法由于具有高速且高精度的检测性能,是目前最好的目标检测算法之一.但由于提取检测框的特征层的特征信息不足, SSD算法在小目标检测任务中表现不佳.为了解决这个问题,目前大部分方法以严重牺牲检测速度为代价提升目标检测模型的精度. 本文提出了SFE-SSD (Shallow Feature Enhancement SSD)提升SSD模型在小目标检测任务中的性能.首先我们采用反卷积操作对SSD算法中检测框金字塔特征层的最浅特征层进行特征扩张.接着通过特征融合机制对扩张后的特征层进行特征增强操作.浅层特征增强策略与SSD 的原始框提取金字塔特征层是并行结构,一定程度上是可以减少检测速度的损失.实验结果显示,我们的方法在PASCAL VOC 2007数据库上精度达到了78.4\%mAP高于SSD算法1.2\%,检测速度达到了81帧/秒,并且在小目标检测任务中有着显著的提升.     

去除稀疏和结构化噪声的交替方向增强拉格朗日算法

图像和视频去噪是数字图像处理的必要环节之一.为了去除图像和视频中广泛存在的稀疏噪声和结构化噪声,提出了一种分离低秩矩阵、稀疏矩阵和结构化矩阵的优化模型一主成分离群点追求.在交替方向最小化思想的基础上,利用增强拉格朗日乘子法求解主成分离群点追求模型,设计了求解模型的交替方向增强拉格朗日(ADAL)算法,加入了一种连续技术以提高算法的收敛速率.仿真实验结果表明,提出的模型和算法能够有效去除不同尺寸矩阵的不同比例的稀疏噪声和结构化噪声.     

对参数带约束条件的生存模型的回归分析

为了降低成本、提高研究效率,对与时间相依的数据,有偏抽样方法是广泛应用的基础抽样方法.在建模过程中,它可以从参数的先验信息中提取更有价值的信息.随着数字信息的发展,在许多领域都可以收集到协变量维数大于样本容量的高维数据.变量选择法和独立筛选法是非常有效的降维方法.在比例风险模型中,对参数带有约束条件的回归分析,采用了修正的MM算法,但对不同的模型,此优化算法不再适用.为了克服优化问题的计算复杂难实现的困难,将蚁群算法和粒子群算法等优化算法应用到参数带约束条件的回归分析中.     

装备维修器材生产路径双目标问题优化决策方法研究

在装备维修器材供应保障中,针对精确保障背景下部队用户对器材保障精度的要求,构建了最小化总成本和最大化订单精准执行率的双目标优化决策模型。在ε-约束法框架内,开发可生成近似Pareto前沿的两阶迭代启发式算法,并采用模糊逻辑决策法选择符合决策者偏好的折中最优解。随机实例测试结果表明所提出的模型和算法可以很好地应用在双目标优化问题的研究中,并在求解不同规模实例时表现出优异的性能。     

基于神经网络与Opencv的雷达目标检测算法研究

随着雷达使用场景日趋复杂,从回波信号中区分物体信号与噪声的难度也随之增加.旨在使用神经网络和Opencv两种方法从回波信号中区分出物体的信号,实现雷达的目标检测任务.在行列向量检测法中,将目标检测问题转换为向量分类问题,使用神经网络建立投票模型,从而对多普勒频谱上的行列向量分别进行检测,再将检测结果综合处理后获取频谱图上的极大值点.在Opencv检测法中,将雷达目标检测问题转换成图片特征检测问题,对多普勒频谱图从左上至右下进行检测,可判断出极大值点所在区域.两种算法在实际测试中均取得了良好的效果,既为雷达目标检测问题提供新的解决方案,又为深度学习算法在不同领域的应用提供新的思路.     

基于深度学习的验证码识别技术研究

针对基于机器学习的传统验证码识别受字符分割限制与人工操作过多等问题,基于深度学习Tensorflow学习框架将卷积神经网络应用到验证码的特性提取、分析、归类和识别中.将图片验证码作为整体输入,改进传统的LeNet-5网络结构,构建一种端到端的9层卷积神经网络,对验证码图像由低级到高级逐层提取图像特征,实现对图片验证码的识别.模型确定后采用控制变量法,针对每一迭代次数所处理的图片数量进行分析,对其准确率、损失值、训练时间进行综合测评,最终选取最优参数.实验结果显示,每批次处理128张图片,每迭代次数用时6秒,准确率的上限最高达到92%,损失值的下限最低达到0.0184.     

基于状态不确定性的动态滤波算法

本文将不确定性表示为状态约束,融入平差模型,建立基于状态参数不确定性的滤波模型.首先从无状态约束条件下的平差准则中推导出无约束滤波算法,该算法与卡尔曼滤波算法是一致的.然后扩展到不等式约束和椭球约束的平差准则,推导出基于状态约束的动态滤波算法.通过实例计算,对不同状态约束的动态滤波模型进行比较.结果表明基于状态不确定性的动态滤波算法要优于卡尔曼滤波算法,且简便高效,具有显示表达式.     

基于机器学习模型预测A股市场高送转股票

A股高送转作为我国政策特有的现象,对其精确、有依据的预测有一定的研究价值.本文对A股数据集进行缺失值、异常值、标准化等数据处理,采取特征选择中过滤法、包裹法、嵌入法等方法提取特征,结合经济学意义得到最终特征.数据的不平衡采取过采样、欠采样以及SMOTE采样等方法处理.最后采用基于Stacking算法融合模型,第1层学习器采用5种分类机器学习模型,并进行超参数调整;第2层采用LightGBM模型预测,以F1分数为评价指标,进行对A股市场预测哪些公司可能会实施高送转.     

兼顾公平与效率的云计算并行机资源调度研究

研究在云计算中服务资源优化管理背景下,基于时间窗口的非等同并行机服务资源调度问题.为达到最大任务处理数,选取任务延误时间作为目标函数建立数学模型,并利用蚁群算法为模型求解.设计了算法的各项参数,而且进一步探讨了如何将资源分配的公平性引入到算法中来.还通过仿真算例对比了考虑公平性要素前后的调度结果.从结果来看,提出的模型和算法能够较好的用于解决云计算中的并行机资源调度问题,并以较快的收敛速度找到满足约束条件的较优解.     

基于BP神经网络的仓储火灾火焰识别研究

仓储环境的特殊性限制了传统火灾探测设备的探测效果.为利用现有监控设备,可将图像火灾探测方法引入仓储领域.首先将采集的图像进行预处理,得出感兴趣的目标前景.然后对前景进行特征提取.最后采用基于BP神经网络的识别方法,以提取的图像特征作为输入,对网络进行训练与仿真.实验结果表明:BP神经网络对于火灾火焰图像具有很好的识别能力;作为其输入的图像特征对于火灾火焰图像有着较好的判别效果;为减少硬件投入,采用图像火灾探测方法弥补传统火灾探测设备在仓储应用中的不足是可行的.     

基于直觉正态云的决策方法及其在风险评估中的应用

本文以船舶风险评估问题为背景,通过结合直觉语言变量、云模型和前景理论来构建风险型评价模型.首先,采用直觉语言变量表征决策者的主观评估信息;其次,利用云模型生成方法将直觉语言变量转化为直觉正态云,从定性与定量相结合的角度反映决策者的主观不确定性;此外,定义直觉正态云的距离和可能度公式,将其嵌入前景理论构建前景值矩阵;最后...