基于GC-ACM的红外前景目标提取算法研究

针对混合高斯模型(GMM)在室外复杂背景下提取红外前景目标时目标破碎等缺点,本文提出了一种结合GMM与图割-主动轮廓模型(GCACM)红外前景目标提取算法。首先基于GMM检测目标可能存在的较大感兴趣区域(ROI),其次在ROI上基于GC-ACM做局部分割,最后基于形态学填充目标轮廓并进一步分割目标。实验表明算法较GMM方法可以有效地提取目标,具有一定的实时性和鲁棒性。

基于可穿戴传感器的家居行为识别算法

目前大多数智能家居系统的交互方式为按键、文本和语音,交互过程自然程度不高,为了提高用户与智能家居系统的交互效率,使得交互过程显得更加自然,提出一种基于家居行为识别触发智能家居多种场景模式的方法,通过智能穿戴传感器数据来识别用户家居行为,根据家居行为识别结果来触发智能家居的多种场景模式,从而实现智能家居和用户之间的"无感化"交互。家居行为识别主要基于CNN-GRU深度学习网络模型,在采集的家居场景数据中准确率达到95.54%,实验证明在特定的智能家居环境中该方法切实可行。

基于最佳簇半径的无线传感器网络分簇路由算法

能量消耗的问题一直是无线传感器网络中一个重点研究方向。针对经典LEACH算法中能量消耗过大并且不均匀的问题,提出一种基于最优分簇半径进行分簇的路由算法,即LEACH⁃OR算法。该算法在簇头选取阶段依据最佳簇半径进行簇的划分,避免簇头分布不均匀的现象。在考虑传感器节点的工作剩余能量以及节点间距离的基础上,引入能量参数和距离参数对簇头选择公式进行改进。降低簇头选择的不合理情况。为了降低通信过程中不必要的能量消耗,采取多跳发送的方式,优化数据传送的路径。实验仿真的数据结果表明,与LEACH算法对比,优化之后的算法可以大幅度地节省网络的消耗,从而延长网络的工作时长。