加速DACE的EGO算法

在函数最优点求解问题中,如果函数表达式很复杂(或黑箱问题),很难利用常用的优化算法求解全局最优点。这时需要先用插值或拟合函数去逼近原函数,然后对新的逼近函数求最优点,进而得到原函数的最优点。基于上述思想,Jones等人于1989提出了EGO(Efficient Global Optimization)算法。EGO算法不足之处在于:它浪费了一个采样点判断EGO算法是否满足终止条件,寻求EI最大值点的收敛速率不高,算法终止条件选择不佳,不能保证估计值的最小点(即EI最大值点)是原函数的内点。针对EGO算法的不足之处,提出了改进的加速EGO算法。仿真实验表明,SEGO极大地节省了运算时间,并且能获得任意精度的全局最优点。

自适应高斯混合模型球场检测算法及其在体育视频分析中的应用

球场检测在体育视频内容分析中有着重要作用.为了克服由于不同光照、不同相机、不同拍摄角度造成球场颜色的非均一性问题,提出了一种基于自适应高斯混合模型(adaptiveGaussianmixturemodel,GMM)的球场检测算法.该算法首先从视频中任意抽取一些图像,并自动分析这些图像的主要颜色,从中找到主颜色的近似分布,然后,利用GMM拟合主要颜色分布.为提高模型的适应能力,在球场检测过程中,利用当前GMM球场检测结果和增量期望最大(incrementalexpectationmaximum,IEM)算法不断更新模型参数,从而得到更加准确的参数估计,并用于后续图像中球场和非球场像素进行分类.最后,根据球场区域在图像中的分布,对足球比赛场景进行分类.实验证明,提出的算法具有良好的性能.