简介: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(BayesianRPCA)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BayesianRPCA和MoG-RPCA提取出了完整的前景目标,但是BayesianRPCA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.
简介:摘要企业安全目标分解的意义就是要通过对目标的分解,能够实现对整体安全生产过程进行有效的控制,通过对过程的有效控制,保障安全管理目标的实现;但大部分企业在目标分解这个环节,基本上都是套用了质量管理中关于目标管理的分解模式,把目标用更为严格的结果性指标传递到不同的层级,然而安全管理与质量管理的差异性就在在于质量管理可以通过对单体产品质量事件的控制来实现整体质量管控目标,而安全管理则不同,安全目标的突破不是单体小型事件的累加,一起事件就可能直接突破整体的目标,所以这种安全目标的分解模式根本就不能对安全生产过程进行有效的控制;基于风险的安全目标分解模式,就是要改变传统的以结果进行传递的分解模式,把安全目标分解成工作性指标,通过对工作性指标的控制,来保障安全目标的实现。