基于DBSCA聚类算法优化的均值漂移算法的移动通信网络站址规划优化算法研究

为适应当今无线通信产业的快速发展,解决基站选址是否合理,本文提出了一种基站定位算法,结合均值漂移算法和DBSCAN聚类算法来解决基站的合理选址问题。该算法将大区域划分为较小的子区域,并利用均值漂移算法计算每个子区域内局部服务体密度的密度极值点。根据每个高密区域的大小,建立覆盖范围不同的基站。采用DBSCAN聚类算法对近距离弱覆盖区域进行聚类,优化传统均值漂移算法的收敛速度。实验结果表明,该算法在寻找基站定位和数据分类的最优解方面具有实用性和有效性。

基于均值漂移算法的人脸自适应跟踪

采用自适应人脸方向模板和YCbCr自适应肤色模型,提出了一种新的基于均值漂移算法的自适应人脸跟踪方法。与传统的均值漂移跟踪方法相比,当人脸倾斜时或光线变化时,该方法能更精确地描绘出人脸位置。实验结果表明,在基本上不增加计算量的情况下,该方法能对人脸的倾斜和光线的变化进行很好地自适应跟踪。

结合IR-MAD与均值漂移算法的密集城区遥感影像变化检测

不同时相遥感影像变化检测已成为土地利用变更调查、城市扩张分析、自然灾害分析及其他环境问题必不可少的技术手段之一。本文提出了一种结合IR-MAD与均值漂移算法的密集城区遥感影像变化检测方法。该方法通过伪不变特征法完成两期影像的相对辐射校正,有效改善影像间的配准误差,并利用IR-MAD算法对校正后的影像进行迭代运算,采用均值漂移算法对迭代后的影像进行分割,同时运用形态学方法处理分割后的影像,最终提取变化图斑。试验结果表明,该方法可以有效检测出变化区域,可应用于城市地表覆盖的变化检测。

基于均值漂移算法的水下视频目标跟踪

鉴于水下的特殊环境,本文利用均值漂移算法对水下视频中的运动目标进行跟踪。首先对水下视频目标对象和候选目标对象分别建立RGB颜色分布加权直方图模型,将这两个模型进行匹配,匹配度用Bhattacharrya系数来表示,搜索出与目标最匹配的候选目标并且更新目标模型,依此类推,从而在视频序列中实现目标跟踪。仿真实验证明,基于均值漂移算法的目标跟踪能够克服水下视频环境中干扰运动目标跟踪的因素:水波、倒影、气泡、游泳池浮标的遮挡等,进一步与基于Kalman滤波器的水下目标跟踪相比(对比),目标跟踪结果表明本文所用的算法能够对水下这种复杂背景的运动目标进行稳定实时的跟踪。

均值漂移算法在无人机侦察目标图像跟踪中的研究

通过分析均值漂移算法及改进算法在无人机侦察目标图像跟踪中的应用,采用公式法及文献法对其进行研究。研究结果表明基本的均值漂移算法对比较简单的侦察目标图像跟踪有较多的优点,但对于比较复杂的侦察目标图像跟踪需要使用改进的均值漂移算法。该研究对无人机侦察目标图像跟踪有参考依据。

嵌入尺度可变均值漂移算法的粒子滤波方法

将尺度可变均值漂移算法嵌入到粒子的扩散过程中,引导粒子扩散到后验概率密度函数的高密度区,提出一种嵌入尺度可变均值漂移算法的粒子滤波跟踪方法.利用对数极坐标图像的尺度不变性,在粒子扩散过程中同时进行位置、尺度空间漂移.实验表明,该方法不仅能顺利跟踪非连续尺度变化目标,而且需要更少的粒子数.

均值漂移算法对纬编提花针织物图像分割的探讨

为了取代人工方法来分析纬编提花针织物的彩色花型和绘制意匠图,探讨了用3种不同分割算法对提花针织物图像进行色彩识别.首先对织物的实拍图进行必要的矫正,接着采用K-均值聚类算法、阈值分割算法、均值漂移算法以及编程工具VisualC++,进行色彩的聚类和分割,实现了织物图像彩色花型的自动识别,最后在均值漂移算法的基础上,在取定的图像范围内自动生成了彩色意匠图.研究结果表明,与其他两种方法相比,均值漂移分割算法的彩色花型识别率较高,去除杂色效果较好,具有应用可行性.

基于均值漂移算法的冷空炽热体红外目标跟踪

Mean Shift（均值漂移）算法对彩色序列图像目标跟踪是有效的,而对红外目标跟踪是不稳健的。本文对Mean Shift算法做适当改进,将其用于冷空炽热体红外目标跟踪。先对红外图像做伽马变换,把目标从背景中分离出来;用直方图非均匀量化改进传统Mean Shift算法量化方式,提高目标定位准确性。仿真结果表明,该方法对冷空炽热体红外目标跟踪是有效的和稳健的。

基于改进的均值漂移算法的高分辨率遥感影像分割方法研究

影像分割是面向对象信息提取的关键,其分割结果的精度高低将对信息提取结果精度产生重要影响。本文在研究均值漂移(Mean shift)算法的基础上,对图像的多维特征向量加以改进。该改进算法先通过改进颜色特征距离公式来对高分辨率遥感影像进行预处理,然后加入纹理特征向量,并设置纹理特征的参数值和迭代次数,进而对高分辨率遥感影像进行分割。文章采用该改进的均值漂移算法对遥感影像进行分割实验,并与业界公认的ecognition软件的分割结果进行对比,实验结果表明:该改进算法得到的分割精度更高,能得到更好的分割结果。

基于均值漂移和联合粒子滤波的移动节点定位算法

针对无线传感器网络移动节点定位面临的高精度和实时性要求,把均值漂移算法引入联合粒子滤波(Joint ParticleFilter)框架,提出了基于均值漂移和联合粒子滤波的移动节点定位算法。它使用均值漂移算法构建粒子滤波的建议分布,通过有效利用最新观测信息,提高粒子状态估计的准确性,使得采样粒子的状态分布与后验概率分布更接近,减少了状态估计必需的粒子数目。该算法还提出了基于虚拟海明距离和交互势的权重计算方式,减少相邻移动节点间的干扰。仿真实验结果表明,基于均值漂移算法和联合粒子滤波的移动节点定位,可获得比基本粒子滤波更高的定位精度,其定位精度与无味粒子滤波(Uscented Particle Filter)相当,而计算开销比无味粒子滤波减小至少50%。

基于前向查找和均值漂移的点模型鲁棒降噪算法

针对点模型提出了基于前向查找和均值漂移两种鲁棒统计方法的滤波算法。前向查找算法根据残差图自动检测离群点,并将输入的点云数据划分为多个不带离群点的最优局部降噪邻域。对局部邻域进行加权协方差分析,估计出该邻域的最小二乘拟合平面。在局部邻域内估计采样点的核密度函数并通过均值漂移算法计算它的局部最大值点,核密度函数的局部最大值点确定了点云数据的聚类中心并能准确逼近采样点曲面,将每一个采样点漂移到密度函数的局部最大值点,使点云曲面收敛为一个稳定的三维数字模型。实验结果表明,本文的算法是鲁棒的,能在有效剔除点模型表面噪声的同时较好地保持模型表面的尖锐特征。

融合均值漂移与最小生成树算法的迷彩伪装设计

为了解决伪装技术的设计难题,并实现伪装图像与环境背景高度融合的设计目的,提出了均值漂移与最小生成树相结合的图像分割方法.利用该方法不仅能够准确提取基于背景的迷彩斑点图案,而且相比其他方法其运算速度也有很大提高;这样既保证了整个迷彩设计的准确性,也增强了伪装效果的实时性.通过量化颜色直方图提取背景的主色,将其作为迷彩图案的显示颜色.最后将斑块与颜色相结合生成最终的迷彩图像.实验结果验证了该方法的有效性.

基于均值漂移的运动目标跟踪算法研究

为了实现在复杂环境下运动目标跟踪,提出了一种基于均值漂移的运动目标跟踪算法.该算法用帧间差法在复杂背景中获取目标模型,引入卡尔曼滤波器减少均值漂移算法迭代次数、解决遮挡问题,通过调节核函数带宽来改变跟踪窗口大小,以保证获取目标完整信息.实验结果表明,该算法不需要目标的先验知识即能实现复杂背景下对运动目标稳定、准确的跟踪,对目标遮挡有很好的鲁棒性.

基于混合粒子群算法的自适应均值漂移算法

为能够自适应地计算均值漂移算法中的带宽,采用混合粒子群算法将带宽看作是粒子群算法中的粒子,根据采样点的局部结构,对密度大的区域采用小的带宽进行计算,对于密度小的区域则采用大的带宽,然后利用计算出的带宽将均值漂移算法用于图像分割.实验结果表明,与经典均值漂移算法相比,新算法不仅解决了均值漂移算法中带宽的选择问题,而且保证了图像分割的质量.

基于TWH与FB-error约束的均值漂移无人机跟踪算法

针对无人机跟踪过程中目标遮挡和目标背景变化等因素导致的跟踪失败现象,提出一种M TF(M ean-shift by TWH and FB-error)跟踪算法。首先,在M ean-shift跟踪框架下引入目标加权直方图(TWH:Target-Weighted Histogram)描述目标,即在跟踪过程中,用目标的局部背景来削弱所有区域的内部背景特征,使目标特征突出;其次,添加FB-error约束,在目标被部分遮挡时,通过使用FB-error相关加权函数把目标当前位置的预测结果与Mean-shift矢量计算出的位置结果联合起来估计目标在t时刻的最终位置。实验表明,此跟踪算法在跟踪精度上有较大突破。

背景抑制直方图模型的连续自适应均值漂移跟踪算法

针对传统连续自适应均值漂移(CAMshift)跟踪算法在建立目标颜色模型阶段容易包含大量背景颜色信息从而使跟踪效果变差的问题,该文提出一种改进算法。利用混合高斯模型背景法(GMM)将原始图像分割成前景和背景的叠加,在原始图像和背景图像上运动物体所在区域分别建立色调分量直方图,利用背景图像的色调分量直方图计算原始图像中对应色调分量的权值,抑制原始图像中与背景颜色相同的色调,扩大前景与背景颜色的差异性。该方法通过对原始颜色模型中属于背景的色调进行抑制,扩大了目标颜色模型的显著性,提高了跟踪的准确性和稳定性,目标定位的最大中心误差小于20%,能够准确跟踪不发生丢失。

结合均值漂移的多示例多标记学习改进算法

多示例多标记学习在多语义对象处理中克服了多示例学习和多标记学习的缺点,成功应用于文本分类、图像识别标注、基因数据分析等任务中.其中基于退化策略的多示例多标记学习算法,多利用K-Medoids聚类将多示例多标记退化成单示例多标记,但此种退化方式过于简化多语义和复杂语义的对象,并未考虑示例间的相关性,导致退化过程中的信息削弱甚至丢失.针对这一问题,提出了结合均值漂移的多示例多标记学习改进算法(MultiInstance Multi-Label with Mean Shift,MIMLMS),将高斯核函数和权值加入均值漂移中.权值的加入保证了示例之间的相关性得以保留,而将多示例集合加入高斯核函数就可利用核密度估计和梯度下降法求解退化过程最优解,最终以误差平方和为分类目标函数,建立多示例多标记分类模型.算法在基准的多示例多标记测试数据集中的实验结果,验证了算法的良好分类效果及算法的有效性和可靠性.

基于均值漂移与卡尔曼预测相结合的视频运动目标跟踪算法

传统的均值漂移算法是基于颜色直方图的迭代跟踪算法,在跟踪目标出现尺度变化的情况下,其跟踪结果往往出现偏差,甚至跟踪失败。鉴于此,提出了一种基于空间边缘方向直方图的均值漂移跟踪算法,使用空间分布和纹理信息作为匹配信息,将卡尔曼预测器融于均值漂移跟踪算法。实验表明,该方法能在尺度缩放等复杂背景下对目标进行准确有效的跟踪。

基于均值漂移的面向对象图论图像分割算法研究

图像中包含有多种既有差异性,也有相关性的特征,图像分割就是研究如何有效地利用这些特征将图像内不同类别的目标区分开,并确定各目标边界的方法。本文研究则基于均值漂移的面向对象图论分割算法,在MATLAB中进行实验,实验结果表明此方法对于均值漂移图像过分割现象有优化作用。

基于均值漂移的多目标被动连续跟踪算法研究

本文基于均值漂移方法设计了一种新的多目标被动连续跟踪算法。该算法分为两部分:先是对采集到的多目标图像进行预处理,包括灰度化、消噪和背景抑制三项工作,从根本上提高目标图像本身的质量;然后融合特征提取和目标检测步骤,利用均值漂移算法实现对多目标物体的检测与跟踪。仿真实验结果表明,与几种典型跟踪算法相比,应用基于均值漂移的算法后,多目标跟踪误差更小,其跟踪结果的平均偏差最大值仅为1.61 m,且跟踪响应耗时最大值仅为900 ms,证明其能够实现对运动目标的准确、可靠跟踪。