公共文化服务平台

共 7 条记录，以下是 1-7

全选清除导出

排序方式：

一种适应户外光照变化的背景建模及目标检测方法被引量：18: 2011年; 针对户外视频监控存在光照变化这一问题,提出一个用于准确完成目标检测的实时背景建模框架.考虑到目标检测的准确性要求,建立基于帧间像素亮度差统计直方图的像素亮度扰动阈值.在此基础上,针对背景建模的实时性要求,提出一种基于自回归背景模型的参数快速更新方法.鉴于不同光照变化的适应性要求,定义对光照变化不敏感的背景纹理模型.上述模型统称为自回归–纹理(Auto regression and texture,ART)模型,该模型适应于户外光照变化.基于该模型构建像素亮度和纹理置信区间用于目标检测.实验结果表明,该框架能适应和实时跟踪户外背景的光照变化,并对目标进行准确检测.; 赵旭东刘鹏唐降龙刘家锋; 关键词：纹理模型目标检测图像序列处理

大气光估计对单幅图像去雾复原的影响被引量：15: 2012年; 对单幅图像进行去雾复原过程中,需要根据大气光进一步估计计算透射函数值,从而实现复原图像的求解。大气光估计过程中存在偏差,会直接影响透射函数的求解。针对这一问题,对户外图像去雾复原结果进行分析,通过综合比较不同大气光估计值对复原结果的影响,给出基于RGB条件对大气光进行估计的方法。实验结果表明,适当选取大气光估计的区域,能更加准确获得大气光的估计值,使得复原图像具有更好的视觉外观。; 徐晶刘鹏唐降龙; 关键词：去雾图像复原

基于样本条件价值改进的Co-training算法被引量：4: 2013年; Co-training是一种主流的半监督学习算法.该算法中两视图下的分类器通过迭代的方式,互为对方从无标记样本集中挑选新增样本,以更新对方训练集.Co-training以分类器的后验概率输出作为新增样本的挑选策略,该策略忽略了样本对于当前分类器的价值.针对该问题,本文提出一种改进的Co-training式算法—CVCOT(Conditional value-based co-training),即采用基于样本条件价值的挑选策略来优化Co-training.通过定义无标记样本的条件价值,各视图下的分类器以样本条件价值为依据来挑选新增样本,以此更新训练集.该策略既可保证新增样本的标记可靠性,又能优先将价值较高的富信息样本补充到训练集中,可以有效地优化分类器.在UCI数据集和网页分类应用上的实验结果表明:CVCOT具有较好的分类性能和学习效率.; 程圣军刘家锋黄庆成唐降龙; 关键词：半监督学习 CO-TRAINING

一种光照变化场景建模方法: 2012年; 提出一种光照变化场景建模方法,并利用该模型对目标进行检测。首先分析光照变化场景图像序列的平稳性,建立自回归模型。考虑到光照变化和成像系统噪声的影响,将像素亮度扰动参数引入到自回归模型。该模型在线自学习,跟踪并预报场景中的光照变化情况,在该模型的基础上,提出像素亮度扰动置信区间,对光照变化场景中的目标进行检测。实验结果表明,该模型能够准确描述和跟踪场景的光照变化。基于模型的预报值和观测值及置信区间,可以对场景中的目标进行准确检测;检测结果表明,该方法对光照变化是不敏感的。; 赵旭东刘鹏刘家锋唐降龙; 关键词：自回归模型目标检测图像序列处理

人群异常状态检测的图分析方法被引量：17: 2012年; 提出一种图分析方法用于动态人群场景异常状态检测.使用自适应Mean shift算法对场景速度场进行非参数概率密度估计聚类,聚类结果构成以聚类中心为顶点、各聚类中心之间距离为边权重的无向图.通过分析图顶点的空间分布及边权重矩阵动态系统的预测值与观测值之间的离散程度,对动态场景中的异常事件进行检测和定位.使用多个典型动态场景视频数据库进行对比实验,结果表明图分析方法适应性强、可有效监控动态人群场景中的异常状态.; 朱海龙刘鹏刘家锋唐降龙; 关键词：SHIFT

一种改进的ML-kNN多标记文档分类方法被引量：4: 2013年; 针对应用传统k近邻算法进行多标记文档分类时忽略了标记之间相关性的问题,提出了一种改进的ML-kNN多标记文档分类方法.针对文本特征的特点,采用一种基于KL散度的距离尺度来更好地描述文档相似度.根据近邻样本所属类别的统计信息,通过一种模糊最大化后验概率法则来推理未标记文档的标记集合.与ML-kNN不同的是,该方法可以有效地利用标记相关性来提升分类性能.在3个标准数据集上,5个多标记学习常用评测指标下的实验结果表明:所提方法在多标记文档分类问题上要明显优于ML-kNN、Rank-SVM和BoosTexter等主流多标记学习算法.; 程圣军黄庆成刘家锋唐降龙; 关键词：文档分类多标记学习 K近邻 KL散度

基于互信息纠正的人群运动特征提取方法: 2012年; 针对光流法在估计人群运动速度时对噪声敏感的问题,提出一种基于互信息(Mutual Information,MI)纠正的人群运动特征提取方法。以稠密光流场为数据空间,在局部可重叠区域内计算各个速度向量与区域速度期望之间的无参数测度MI,通过直方图统计出MI偏小的速度向量,然后将这些向量向区域速度期望向量做出纠正处理,直至MI符合预设条件为止。实验表明,经MI纠正后可得到光滑的速度场,为后续分析人群行为提供增强的人群运动特征。; 朱海龙刘鹏刘家锋唐降龙; 关键词：互信息光流法特征提取

全选清除导出

共1页<1>

黑龙江省自然科学基金(F201021)