基于深度数据挖掘的水电能源工程数据智能分析处理算法

针对水电工程造价预测存在不确定性高、风险性较大的问题,文中采用径向基函数(RBF)神经网络实现了对工程造价数据的预测。对于传统方法在大样本训练时的基函数中心不稳定、权重矩阵计算不可逆及训练不收敛等问题,使用遗传算法进行了优化,结合实际应用场景加以改进,并通过引入一种自适应交叉机制,保证了个体在每次进化后均能取得最优的交叉概率。同时,利用父代子代顺序比较、位置更新的机制替代传统遗传算法中的变异操作,从而防止了在浮点编码下的基因突变劣化。在实际水电工程数据集上进行的算法性能仿真结果表明,相较于传统训练方式,使用改进后遗传算法优化的RBF网络在不同规模的工程造价预测上具有良好一致性,且算法平均误差仅为6.00%,较传统方法降低了2.70%。

基于深度数据挖掘的电力系统短期负荷预测

针对现有电力系统短期负荷预测中存在的预测效果不佳的问题,提出基于深度数据挖掘的电力系统短期负荷预测算法。将归一化处理的历史电力系统负荷数据、模糊处理的温度数据、天气状况、降水概率等数据作为预测模型的输入量,构建基于模糊GBDT(Gradient Boosting Decision Tree)的电力系统短期负荷预测模型,并引入Boosting算法,以解决预测模型中存在的训练速度缓慢和内存占用大等问题;在此基础上,设计基于模糊Boosting-GBDT的电力系统短期负荷预测模型,实现电力系统短期负荷预测。实验结果表明,所提预测方法在工作日和休息日不同时刻的电力系统短期负荷预测结果与实际负荷较接近;未来一周电力系统短期负荷预测MAPE和RMSPE值均低于0.2%。

基于深度数据的手势识别方法研究

针对当前传统手势识别技术受环境和手部自身条件干扰较大,如当手腕处存在大袖口或其他干扰物的情况下,难以准确识别手势的问题,提出一种基于深度数据的手势识别方法。首先,通过预处理提取手形;其次,利用提出的N-Iterate、C-Loop判定等方法识别手掌最大内切圆;然后,计算手形所有轮廓点到掌心距离的直方图及其波峰索引,并结合角度提取指尖个数;将得到的3类特征作为改进SVM的输入,映射到高维空间,进行手势0~5的识别。实验结果表明,该方法在复杂背景和手部自干扰等影响下具有较高的识别准确率和实时性,平均准确率提高至98.57%,识别耗时降低至37.923 ms,较大程度提高了识别效率。

基于深度数据挖掘的法律案例自动推荐方法

为改善推荐效果,研究基于深度数据挖掘的法律案例自动推荐方法。首先,建立法律案例深度推荐模型,通过计算权重和引入卷积神经网络捕捉空间关系,在特征和目标之间拟合特征关系。其次,利用注意力机制融合所有特征,使模型与查询文本匹配并使用全连接网络输出相关程度得分和分类预测。最后,对法律案例进行特征向量提取,将字符序列转化为语义表征向量序列,并聚合特征提取层的向量,以获取学习参数。实验结果表明,设计方法推荐案例的推荐效果较好。

基于深度数据挖掘的高校信息数据整合方法

针对高效信息数据整合方法中未能使用Z-score算法对信息数据进行标准化处理,导致信息数据整合时存在整合精度低、时间长等问题,提出基于深度数据挖掘的高校信息数据整合方法。首先依据Z-score算法标准化信息数据,并依据标准化结果提取信息数据特征;再使用深度数据挖掘方法中的K-means算法计算数据特征生成基聚类器;最后将信息数据放入基聚类器中进行聚类;实现信息数据的整合。实验结果表明,运用该方法进行数据整合时,整合精度高、整合时长较短。

基于深度数据的车辆目标检测与跟踪方法

现有基于几何特征的目标检测与跟踪方法误检率较高,目标跟踪过程中的漏检易导致错误的目标关联.针对这些问题,本文提出了一种基于激光雷达(Li DAR)深度数据的车辆目标检测与跟踪方法.根据激光雷达深度数据特性,采用一种基于栅格的参数自动化聚类(PAG)算法对原始数据进行处理,并在每个聚类中提取目标线段,获取目标特征.在此基础上对车辆目标进行识别,并计算得到目标的位置信息.采用卡尔曼滤波算法,制定滤波器管理策略,完成目标关联及状态估计.最后利用装备有一个前向激光雷达的实验车辆对提出的方法进行验证.实验结果表明,本文提出的方法可准确识别并跟踪多个车辆目标,避免错误的目标关联.

任意视点电视系统中深度数据的自适应非均匀量化方法

为了降低现有任意视点电视系统中深度数据量化所带来的量化失真,提出一种自适应非均匀深度量化方法.首先根据深度数据的统计特性,选取有效深度子空间;然后对有效深度子空间重新进行精细划分,得到对应的自适应量化表;最后使用该自适应量化表对原深度数据进行自适应量化.实验结果表明,与现有的均匀量化和普通非均匀量化方法相比,使用所提出的方法可使深度数据的量化信噪比平均提高20 dB.因此,自适应非均匀量化方法能够显著降低深度数据量化误差,有助于在任意视点电视系统的接收端获得高精度深度数据,从而得到主观效果更好的虚拟视图.

基于Kinect深度数据的人物检测

为了实现基于计算机视觉的人体动作识别,首先必须实现人物检测,过去的几年中,有很多关于人物检测的研究和方法。而在文中,介绍了一种较新的人物检测方法,该方法利用微软Kinect体感器作为人物场景采集器,将其采集到的深度数据进行处理,将人物与背景分割,去除背景深度区域,保留人物所在深度区域,进一步检测出人物。该方法已经在matlab实验平台中得到验证,取得了良好效果,背景能够被完全去除,并且该方法计算复杂度低。由此得出结论,基于Ki-nect深度数据的人物检测方法能够很好地实现人物检测。

一种基于三维深度数据的脸部特征检测方法

提出了一种表征曲面上某点局部形状的新方法———曲率符号分布形状描述子(CurSignTration).根据高斯曲率和平均曲率的符号确定曲面上点的形状分类,对某点邻域内所有点的形状按编码进行统计,将统计结果归一化后得到的直方图作为该点的CurSignTration.CurSignTration描述了三维深度图像中某点邻域的形状分布状况,对给定的三维深度数据点建立了一种除坐标之外的特征信息.这种表征方法对平移、旋转及镜像变换具有不变性.结合基于外观的人脸特征检测方法,用CurSignTration可以对人脸的三维深度图像进行姿态不变的脸部特征检测.对15张三维深度人脸图像的特征点检测结果表明了CurSignTration的有效性.

光照强度对Kinect v2深度数据测量精度的影响

Kinect v2深度测量受光照环境的影响较大,为定量分析光照因素对Kinect v2测量精度的影响,构建Kinect v2深度测量试验系统,进行了不同距离和不同光照强度下深度测量的正交试验,得出了深度数据中噪声分布的具体区域,建立了光照强度影响下深度数据修正模型,对深度测量误差进行了补偿。试验结果表明,深度数据中的噪声干扰主要存在于边缘和4个边角部分,且随着测量距离的增加和光照强度的增大向中心部分逐渐扩散,但是光照强度的影响更为显著,当光照强度超过6500 lx时,深度数据的有效率不超过60%。利用光照强度补偿模型对深度测量数据进行修正后,深度数据测量平均相对误差缩小率为44.55%。在花生冠层信息获取中进行了应用,验证了本文数据修正模型的有效性。

OpenGL在深度数据的三维表面重建中的应用研究

研究了OpenGL在深度数据的三维表面重建中的应用,介绍了OpenGL在该应用中必需的基础知识。给出了两种不同的深度数据的三维表面重建的方法,即Delaunay三角剖分方法和B样条曲面方法。由立体足迹的三维表面重建实例得出结论:采用OpenGL图形库可以生成逼真的三维效果图,为深度数据的三维显示提供了捷径。

深度数据的BMP位图显示

给出一种将深度图像数据文件转化为BMP文件的实现方法,并给出了算法主要部分参考性源程序.实验结果表明,该方法对于深度数据图像的处理显示具有简单方便的优点,可以用来观察深度图像测量、计算机视觉等应用中的深度数据的处理效果.

基于Kinect深度数据的人体骨架提取

骨架提取是数字图像处理与识别及计算机视觉领域的重要内容之一。在信息存储、动作识别等领域都有应用,人体骨架提取是动作识别系统工作的前提和基础。为了更好提取人体骨架,提出了一种基于Kinect深度数据的骨架提取方法。首先,通过Kinect采集并分析深度数据。然后,经过特定处理,将人体目标从环境中提取出来并二值化。最后,进行平滑处理,使用细化算法得到人体骨架。通过实验证明该方法可以实现复杂背景下的人体骨架提取,得到较完整、单像素、无伪分支的骨架。

结合个性化建模和深度数据的三维人体姿态估计

利用深度传感器估计三维人体姿态是计算机视觉领域的一个重要问题,在人机交互、虚拟现实和动画设计等领域有重要的应用价值.针对该问题的主流方法是自底向上的方法,这类方法一般采用分类、回归或检索技术,可以直接从深度数据中估计三维肢体姿态,在人机交互中得到了很广泛的应用.但是这类方法依赖于大规模的姿态数据库,而且结果不够精确.本文提出一种结合个性化人体建模和深度数据的三维姿态估计方法,首先对运动对象建立三维虚拟人模型,然后利用该个性化的虚拟人模型与深度数据之间的点匹配关系构造姿态优化的目标函数,通过迭代优化目标函数,估计出与深度数据相吻合的三维姿态.与传统方法相比,本文方法不需要任何姿态数据库.实验表明,本文方法得到的结果更加精确.

自由形态物体多视点深度数据配准方法研究

针对多视点数据配准问题提出了一种基于几何匹配的定位方法 .该方法是在最近点迭代匹配算法(Iterative Closest Point Algorithm)的基础上 ,对参与最佳旋转矩阵计算的对应点对进行了限制 ,因而扩大了算法的适用范围 ,同时又对用结构光方法重建获得的三维物体表面数据进行了加权处理 ,从而减少了曲面重建所产生的误差对配准精度的影响 。

基于深度数据的三维人脸识别

为了进一步提高三维人脸识别效率,在Fisherface和局部二值模式(LBP)的基础上,提出了基于深度数据的三维人脸识别方法:先提取人脸的深度数据,再将深度数据与LBP相结合提取人脸特征,然后采用Fisherface方法进行识别.实验结果表明,相对于单一的特征识别方法,基于LBP_深度数据和Fisherface特征融合的方法更能提高三维人脸识别效率.

由深度数据重建三维物体的一种方法

讨论由深度数据重建三维物体的一种新方法，其基本思想是根据由基于物体旋转的主动式三角法三维信息获取系统所获取的物体深度数据作为该物体的型值点。再根据型值点进行网格划分，以便形成满足一定约束条件的空间拓扑网格。最后使用有理Ｂｅｚｉｅｒ三角曲面片与矩形曲面片相结合的方法进行曲面拟合与逼近。

激光扫描深度数据配准方法的研究

在对最近对应点迭代方法研究的基础上,提出了数据格网化重组织策略和基于ICP的多级配准方案,在效率和精度上均取得了好的结果。

基于Kinect深度数据的视频艺术化处理

利用深度摄像机Kinect for XBOX360提取视频的深度信息来实现视频前景和背景的分离,并分别对视频前景和背景进行多风格的艺术渲染,从而获取更好的视频风格化定制效果。首先,系统利用Kinect深度数据实现视频前景的提取;然后在光流场指导下,利用基于纹理传输的方法对视频前景和背景进行不同风格的艺术化渲染;最后,将风格化后的前景视频和背景视频进行融合,从而得到最终的风格化艺术视频。另外,由于采用纹理传输的方式实现对视频的艺术化处理,因此用户可以选择不同的纹理样本来实现自定义的多风格艺术渲染。经过实验测试,前景和背景视频融合后生成的风格化视频取得了较好的艺术效果,从而证明了该系统具有较好的视频前景提取能力和视频风格化渲染能力。

一种基于深度数据的高斯模型运动目标检测方法

鉴于目前基于图像的运动目标检测系统对目标场景光照条件非常敏感,文中提出一种基于Kinect深度数据曲率的单高斯模型运动目标检测方法,增强了系统对场景采集误差的鲁棒性。首先对深度数据进行中值滤波,利用单高斯模型对目标区域深度数据进行建模;在对目标场景实时采集数据与背景参数进行高斯概率门限值判别后,经过形态学滤波,达到了运动目标检测的目的。同时利用实时更新背景参数的方法提高模型适应场景变化的能力,并通过实验取得了良好的检测效果。