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:目标行为特征提取是计算机视觉和行为分析领域的重要任务之一。本研究基于深度学习方法,探索了对目标行为特征进行有效提取的方法。首先,我们回顾了深度学习在计算机视觉任务中的成功案例,并分析了深度学习在目标行为分析和行为识别中的优势。接着,我们概述了基于深度学习的目标行为特征提取方法,并讨论了深度学习模型在这一领域中的应用现状、优势和局限性。我们还比较和评估了不同的深度学习模型,探讨了它们在目标行为特征提取方面的性能差异。在模型设计方面,我们介绍了模型架构和网络结构设计、数据预处理和标注方法、损失函数和训练策略,以及模型参数调优和优化方法。最后,我们进行了实验和评估,通过比较不同模型在目标行为特征提取任务上的表现,验证了深度学习在该领域的有效性和潜力。本研究的结果对于改进目标行为特征提取方法、推动计算机视觉和行为分析的发展具有重要意义。
简介:特征提取是合成孔径雷达目标识别关键技术与核心任务。为了更好地提取目标特征,稀疏约束将被添加在非负矩阵分解法中,并应用于图像目标特征提取,通过利用稀疏约束的非负矩阵分解方法对sAR目标图像进行分解,构建具有稀疏性的目标特征矢量,提高了特征矢量的类内相似性与类间差异性。利用基于支持向量机的分类方法对MSTAR数据进行目标识别试验,试验结果表明,添加稀疏约束的NMF方法与PCA、ICA以及一般NMF特征提取方法相比,能够显著提高目标识别的稳定性和准确率。
简介:传统的遥感图像机场跑道自动目标检测由于仅提取灰度特征常产生过分割现象,本文采用灰度特征和纹理特征相结合的方法进一步提高跑道的检测精度。利用阈值对遥感图像进行初始分割,以定位感兴趣区域(ROI),再利用EM算法估计ROI区域训练样本,引入马尔可夫随机场(MRF)模型,分割机场跑道。实验表明MRF可以很好地描述空间连续性,可以达到精确检测机场跑道的目的。
简介:目的研究多目标遗传算法(MOGA)在刺五加根提取工艺条件中的应用,并对其效果进行评价。方法利用Maflab2009a外挂SGALAB工具箱beta5008完成遗传算法的寻优;利用SPSS13.0软件进行统计分析。结果经过MOGA优化后,刺五加根及根茎中紫丁香苷、刺五加苷E的提取率的平均水平能达到0.104%、0.086%,提取工艺的最优提取条件为10倍的76%的乙醇、提取时间2.3h、提取次数3次。结论在保证多个目标都最优的前提下,MOGA搜索的Paret0非劣解比较理想,为刺五加根提取最优条件选择提供了合理的方法,可推广到其他药物的最优条件选择。