基于改进GMM的智能变电站视频目标检测方法研究

研究基于改进GMM的智能变电站视频目标检测方法,该方法精准检测变电站视频目标。构建智能变电站视频序列各像素的高斯分布模型,通过判断像素点与高斯分布模型匹配情况,确定该像素点是否为背景,利用四邻域法调整学习率,实现首个匹配高斯分布模型权值调整,根据权值与方差的比值大小实现背景高斯分布模型的降序排列,获取智能变电站视频背景图像,当前帧图像除去背景图像即可得到前景图像,通过去除前景图像的离散点噪声、视频目标内部噪声和阴影,检测智能变电站视频目标。实验结果表明,像素高斯分布为5时,该方法检测到的智能变电站前景图像中的视频目标效果更好,错检像素、漏检前景像素平均值均较低。

基于改进GMM的动态背景建模

实际工作中,当对视频的运动目标进行检测时,由于背景基本上也是变化的,因此对目标检测产生了很强的干扰。在传统的GMM建模方法中,存在一些误判的点,于是,我们先通过滤波对视频进行处理,再通过判断当前帧的前后帧是否满足GMM的方法,对GMM模型进行改进,从而减少一些误判的点,使目标检测更加准确。

基于改进GMM和韵律联合短时谱的说话人转换

提出了一种基于改进GMM模型和韵律联合短时谱的说话人转换方法。通过在训练阶段引入改进的GMM模型,克服传统GMM模型造成的转换语音过平滑现象,并将线谱对频率LSF和基音频率联合起来组成韵律联合短时谱,更准确地刻画说话人的短时频域特征和声腔的共振特性。实验表明,这种方法能够有效地捕捉说话人的个性化特征和韵律特征。另外,在保证变换语音目标倾向性的同时,一定程度上克服了过平滑现象,提高了变换语音的音质。

基于OpenCV的组合优化多目标检测追踪算法

为了改善计算机视觉领域中多目标检测与追踪算法的实时性,综合考虑实现多目标跟踪过程的两个主要阶段:目标检测与目标追踪。第一阶段采用改进的自适应高斯混合背景建模及滤波处理方法,通过间隔性选取的图像帧作为高斯混合背景模型更新方式,进而从视频图像中检测出明确有效的多个目标的同时兼顾算法实时性,此阶段仿真结果显示该算法使得效率提高40%左右;在目标追踪阶段采用一种快速高斯粒子滤波追踪算法,使用按照高斯分布的初始化粒子的线性变换来近似拟合高斯粒子分布,从而在原算法无需粒子重采样的基础上避免了粒子的高斯拟合过程,进一步提高运算效率,增强实时性。最后以测试视频为研究对象结合上述两种优化算法进行仿真,结果显示此组合优化方法可使运算速率提高将近30%。