基于CNN和MRF的运动目标分割

针对动态图像序列中背景成像过程因各种因素而变化存在复杂性,提出了一种基于细胞神经网络(CNN)和马尔可夫随机场(MRF)的目标分割方法。首先根据细胞神经网络与马尔可夫随机场能量函数的相似性,将马尔可夫随机场的最大后验概率模型映射到细胞神经网络近邻系统模型中。然后建立图像每一像素点的邻域系统模型,并且构造相应的能量函数。为使能量函数达到快速收敛,再利用模拟退火算法实现能量函数的最小值,以达到对运动目标的提取。由于CNN是由局部互连的细胞组成,因此易于用VLSI实现。实验的结果表明,该方法能够有效地抑制图像的噪声,对于运动目标的提取有较好的分割效果。

基于像素统计特性及细胞神经网络的运动目标分割

针对动态图像序列中背景成像过程因各种因素而变化存在复杂性,提出了一种基于像素统计特性及细胞神经网络(CNN)的目标分割方法。首先建立图像每一像素点的高斯分布模型,并根据图像序列中的当前帧及历史帧信息自适应地调整模型的参数。然后结合图像的帧间信息将图像从空间域映射到统计域。最后在统计域中用细胞神经网络方法对其进行目标分割。由于CNN是由局部互连的细胞组成,因此易于用VLSI实现。通过对图像像素建立细胞近邻模型,可以获得较强的鲁棒运动目标分割。实验的结果反映了该方法的有效性。

基于小波的实时烟雾检测

传统的离子式、吸气式、光电式等烟雾检测器在大空间中检测烟雾时,会受到发射信号与接收信号之间的距离、平面角度、精确对准等限制,无法对整个空间的烟雾状况进行描述。新的方法通过监测区域的摄像机拍摄的视频图像序列,进行小波变换,分析图像帧在时域和空域的频率特性,来确定被监测区域是否有火灾烟雾的发生。实验证明该方法不受空间高度、热障、易爆、有毒等环境的限制,并且有灵敏度高、抗干扰力强、适用范围广等特点。

基于动态图像序列的运动目标检测与跟踪

运动目标的检测与跟踪在智能监控和车辆导航领域中得到了广泛的应用。该文提出了基于统计背景模型和α-β-γ滤波模型的运动目标检测和跟踪算法。在此方法中,首先建立背景的高斯模型,然后检测出场景中的运动目标,最后在目标检测的结果上,采用α-β-γ滤波器对检测出的运动区域进行运动参数估计,进而跟踪出运动目标的轨迹。实验表明,该方法能够有效地分割出序列图像中的前景目标,并提高了目标跟踪的稳定性。从而证明了该方法的有效性。

《Python程序设计》课程教学——兴趣型教学方式探索

新工科教育教学改革的提出,使得Python语言及基于Python的应用研究几乎在顷刻间风靡整个网络。传统的VB程序设计语言被新兴的Python语言替代,传统的教学方法及体系难以适应数据智能的新学科需求。研究以Python程序设计公共基础课程教学为切入点,以学生认知背景、专业兴趣及学习目标为指导,探索一种新的以专业兴趣脉络为导向的教学方法,使学生“知学-乐学-求学”,做到学思结合、学以致用,从而更好的为新工科建设助力,为新时代赋能。