改进视觉背景提取算法在室内监控场景的应用

针对视觉背景提取(ViBe)算法在室内监控场景中容易引入“鬼影”干扰和光照变化误检等问题,提出一种改进的ViBe算法。针对“鬼影”影响,采用外接矩像素直方图对比法检测“鬼影”区域,将检测出的“鬼影”改变其像素值属性并更新背景模型;针对光照变化影响,通过邻间帧图像局部区域积分值快速匹配实现光照变化的判定,根据不同光照变化情况采用不同改进策略,达到快速适应光照变化的目的。实验结果表明,改进的ViBe算法可以有效去除“鬼影”及光照变化的影响,提高了室内监控场景前景目标提取的准确性。

基于用户偏好矩阵填充的改进混合推荐算法

为进一步解决协同过滤推荐算法中存在的数据稀疏性问题,针对现有的填充算法中未充分考虑用户偏好和物品属性内在关联的问题以及相似度计算中存在的不合理之处提出一种改进算法。该算法根据评分数据分析出用户的偏好,计算用户对不同物品属性的偏好权重和评分均值,依据计算结果填补缺失项;根据目标用户改进相似度计算公式并得到基于用户偏好矩阵填充的改进混合推荐算法。实验结果表明,该算法可以解决数据稀疏问题,推荐精度均优于其它算法。

基于改进视觉背景提取算法的前景检测

针对经典的视觉背景提取(visual background extractor,ViBe)算法在首帧出现运动目标会引入鬼影以及面对复杂场景表现出检测不佳等问题,提出一种以ViBe算法为基础的改进算法.采用多帧初始化背景模型的方式,为背景模型引入可靠真实的背景样本,从而快速消除鬼影;前景检测阶段,以背景扰动指数衡量背景的扰动程度,出现背景扰动的情形以自增适应因子适当增大分类阈值;对于发生光照突变算法表现敏感问题,采取统计前后帧像素点差异个数判断是否发生光照突变,若发生了光照突变采用当前帧重新初始化背景模型.实验表明,本文算法在抑制鬼影以及适应复杂场景上相比ViBe以及其它算法都有较好的表现.

基于MSER的自适应学习自然场景文本检测

自然场景下的文本检测分为提取候选区域和滤除非文本两个阶段.在候选区域提取阶段,针对最大稳定极值区域(Maximally Stable Extremal Regions,MSER)算法对噪声、模糊敏感,检测性能不高的问题,提出改进的MSER算法,首先通过梯度图增强图像字符边缘,然后采用MSER算法提取文本区域,最后利用多机制抑制策略进行粗过滤.在非文本滤除阶段,针对候选域中非文本区域过滤不彻底的问题,提出基于SVM的多特征自适应权值融合的非文本滤除算法,首先对标识样本库提取HOG、统一化LBP、颜色感知差异(Color Perception Difference,CPD)特征,使用提出的权值计算公式自适应分配权重融合三种特征,然后采用粒子群算法寻找SVM最优参数训练分类器,最后将候选区域送入训练好的分类器滤除非文本.实验结果表明,改进的文本检测算法能够达到理想的检测效果.