基于Codebook背景建模的视频行人检测

针对视频序列,Codebook背景建模算法能检测出其中的运动物体,但却无法识别行人。而大部分基于支持向量机(SVM)训练的行人分类器,需要通过滑动窗口遍历图像检测行人。为加快行人检测的速度,提出将传统的行人分类器融入到Codebook背景建模算法中,通过背景建模算法为行人检测提供候选区域,减少搜索范围,降低了行人误检率;并根据行人的特点,构建临时块模型定期将满足条件的前景区域更新到背景模型中,解决了Codebook背景建模算法不能应对光照突变的问题。实验结果表明:所提算法能应对光照突变所带来的干扰,实现视频行人实时检测。

新工科背景下应用型高校开展“平法施工图识读与建模”课程教学改革研究

目前,我国高等教育领域综合改革向纵深推进,高等教育体系更趋完备,这对传统的土木工程专业建设提出了更高要求。在新工科背景下,本文以西南交通大学希望学院土木工程(智能建造)专业开设的“平法施工图识读与建模”课程教学为例,分析了课程教学存在的问题,深入研究了课程教学的改革举措及效果评价,旨在为新工科背景下的应用型高校开展“平法施工图识读与建模”课程教学改革提供新思路。

“双减”政策背景下初中数学建模思想训练

“双减”政策强调教学中的减负增效,这就要求初中数学教师在教学过程中充分把握有限的课堂教学时间,让学生深刻理解数学知识从产生到应用的全过程,深切感受到初中数学的思想内涵和方法应用,提升学生数学思维和数学核心素养。在全新的教育形势下,初中数学教师不仅要培养学生的知识应用意识还要重视对学生知识运用能力的提升。数学建模思想不论是在数学知识中还是在数学研究中都发挥着重要的作用。因此,初中数学教师要深入挖掘“双减”的真正内涵和数学建模思想在教学中的优势,在此基础上,制定切实可行的数学建模思想训练方案,从而营造具有趣味性和生动性的训练氛围,在此过程中,教师要收集学生的学习情况进行研究和分析,根据分析结果不断完善和优化训练策略和实践方式,促使它们与学生的学习过程有效契合,促进学生数学思维和数学知识构架的健全。

改进特征空间的红外弱小目标背景建模法

为有效去除动态背景对弱小目标信号的干扰,提出改进特征空间的红外弱小目标背景建模法来抑制背景。先采用改进的各向异性滤波算法从空域角度进行滤波以约束图像各个组分的差异,紧接着取连续时间域上多帧滤波后的图像组成一个特征矩阵,借助于主成分分析法进行特征分解,最后将输入图像投影到特征空间上进行背景建模,同时为了适应动态变化的背景,在时域上以一定学习率来更新背景模型。实验结果表明,提出的算法比传统的算法取得更好的背景估计效果,结构相似性SSIM、对比度增益I和背景抑制因子BIF分别大于0.97、15.46和5.25。

基于快速背景建模的垃圾车识别系统

为保障城市道路交通安全、实现绿色环保出行,城市道路智能监控愈发重要,重点监控车辆如城市垃圾车的智能识别也成为其中关键一环。为提高城市道路智能监控系统分析能力,设计了基于快速背景建模的垃圾车车型识别系统。首先,设计了垃圾车识别系统的网络拓扑结构,并构建了车辆视频侧视采集系统以保留丰富的车辆特征。其次,为降低复杂背景的影响,提出背景更新控制策略,实现了快速可靠的背景建模;为实现侧视车辆图像的有效分割,提出了基于动态位置检测的关键帧筛选方法和基于斜线投影的目标分割方法。最后,设计了基于SVM(Support Vector Machine)的多级分类器实现了垃圾车识别。试验结果表明,文中方法垃圾车识别的平均准确率为95%以上、平均召回率为90%以上。

“互联网+”教育背景下小学生数学建模能力的培养

数学伴随着学生的成长,数学中出现的问题和解题常用的思维模式都与生活息息相关,培养数学建模能力不仅能帮助学生学好数学这门科目,还有助于学生解决生活中的实际应用问题,为学生以后的学习和长远的发展奠定基础。数学建模正是以实际问题为原型,建立数学模型,解决生活问题,最后再结合数学教材内容,解决数学中遇到的问题,通过整个过程中的学习,让学生思维开拓,并提高学习能力。因此,小学数学课堂上模型素养的培养十分必要,也是时代发展的产物。下面我将结合自身教学经验谈谈模型意识在教学中的渗透。

“三新”背景下高中数学建模教学的实践对策探究

新高考改革中,数学学科的教学目标是提升学生的综合能力,为学生今后的学习和生活奠定良好的基础。数学建模是一种高效的数学教学方法,其能够帮助学生建立良好的数学思维,培养学生利用数学知识解决实际问题的能力。在高中数学教学中,教师要充分认识数学建模教学的重要性,并在教学过程中有效运用数学建模教学法。在“三新”背景下,教师要转变传统教学模式,从不同角度出发,丰富数学建模教学法的应用形式,让学生对数学知识形成全新的认知和理解。文章从建模教学法在高中数学课堂中的应用意义入手,探讨“三新”背景下高中数学建模教学法应用的有效对策。

基于背景建模与帧间差分的目标检测改进算法

在分析现有运动目标检测算法的基础上,提出一种基于背景建模与帧间差分的运动目标检测改进算法。改进算法能改善混合高斯背景相减法中高斯背景建模产生的鬼影,以及帧间差分法的前景检测结果中出现的严重拖影和空洞现象,并且在背景突变下也能进行有效检测。测试结果表明,改进算法对运动目标检测有较好的检测效果,适用于户外大型场所的监控设备领域。

星空背景的建模与仿真

提出了一种基于星表数据的建模和仿真方法,模拟在任意观测时刻、任意观测地点观测到的星空背景。利用依巴谷星表,首先经过一系列时间转换,将所提供的在星表历元时刻的恒星位置数据转换到当前指定时刻的位置数据;然后经过一系列空间坐标转换,将恒星视位置坐标统一转换到观测点坐标,得到恒星在指定时刻相对于观测者的视位置;最后利用星空背景建模的结果,绘制出了在不同观测时刻和不同观测地点所观测到的星空背景。

基于模型切换的自适应背景建模方法

提出了一种基于模型切换的背景建模方法(MSBM)．该方法以熵图像为纽带,实现了不同精细程度的背景模型在空间上的自适应选取和在时间上的自适应切换．对于亮度分布复杂度高的背景区域采用精细的模型以保证运动目标检测的精度,反之采用简单的模型以降低计算量．通过模型结构自适应结合参数自适应,很好地兼顾了检测精度和计算代价．基于高斯混合模型和时间平均模型的双模型切换式运动目标检测算法被用于实验研究,结果表明这种算法的检测效果和单独采用高斯混合模型的检测效果相当,而计算速度却比后者提高很多．

基于背景建模的动态目标检测算法的研究与仿真

针对静态摄像机条件下的视频监控问题,提出了一种基于背景建模的运动目标检测算法。首先利用统计的方法建立了基于颜色和颜色梯度的背景模型,并实时地对背景模型进行更新,最后将这两种背景模型综合考虑对目标进行有效检测。该算法较好地解决了背景模型的提取、更新、背景扰动、外界光照变化等问题。实验结果证明,该算法对固定场景下运动目标的检测是快速有效的。

基于记忆的混合高斯背景建模

混合高斯模型(Gaussian mixture model,GMM)可对存在渐变及重复性运动的场景进行建模,被认为是最好的背景模型之一.然而,它不能解决场景中存在的突变,如门的打开/关闭等.为解决此类问题,受人类认知环境方式的启发,本文将人类记忆机制引入到背景建模,提出一种基于记忆的混合高斯模型(Memory-based GMM,MGMM).每个像素都要经过瞬时记忆、短时记忆和长时记忆三个空间的传输和处理.本文提出的基于记忆的背景模型能够记住曾经出现的背景,从而能更快地适应场景的变化.

一种适应户外光照变化的背景建模及目标检测方法

针对户外视频监控存在光照变化这一问题,提出一个用于准确完成目标检测的实时背景建模框架.考虑到目标检测的准确性要求,建立基于帧间像素亮度差统计直方图的像素亮度扰动阈值.在此基础上,针对背景建模的实时性要求,提出一种基于自回归背景模型的参数快速更新方法.鉴于不同光照变化的适应性要求,定义对光照变化不敏感的背景纹理模型.上述模型统称为自回归–纹理(Auto regression and texture,ART)模型,该模型适应于户外光照变化.基于该模型构建像素亮度和纹理置信区间用于目标检测.实验结果表明,该框架能适应和实时跟踪户外背景的光照变化,并对目标进行准确检测.

基于随机背景建模的目标检测算法

运动目标检测是智能视频监控系统中的重要步骤和前提。提出了一种基于随机背景建模的非参数化建模算法,对场景中运动目标进行快速提取跟踪。在初始化阶段,从当前像素的邻域中随机抽取样本值作为背景模型;在模型更新阶段,引入了随机更新策略和背景传播机制,能够较好地抑制环境噪声;在后处理阶段,给出了一种基于积分图的前景滤波优化方法,进一步滤除噪声和填充前景空洞。实验结果表明,在复杂场景条件下,算法的目标检测性能明显优于其他几种同类算法,能够较好地抑制噪声干扰,具有较高的检测正确率。对于360×288像素的测试视频,算法的计算速度高达120f/s,完全可以满足实时应用。

基于帧间颜色梯度的背景建模

在分析了交通场景视频特点的基础上,根据视频流中帧间像素颜色变化情况来确定背景像素值。提出以帧间像素梯度值作为背景像素的判断条件来建立背景模型的方法。在计算中将图像进行分块,通过求子区域颜色梯度变化值来确定其背景,然后根据各子区域的计算结果重建背景模型。实验结果表明:平均经过100帧图像初始化后,即可完成背景建模,初始化帧数比其它方法少,平均每帧图像的处理时间为15.566 ms。该方法背景建模的速度和初始化帧数都满足交通场景视频监控系统的要求。

基于ST-CSLBP的混合时空背景建模算法

针对背景建模方法对场景光照变化较为敏感,提出融合时间预测和空域纹理信息设计全新的时空-对称ST-CSLBP算子,构建基于ST-CSLBP直方图的混合时空背景模型,融合时域分布统计法和空域背景各自的优势,以同时适应长时光照以及短时的光照变化。实验表明,该算法与现有背景建模算法相比,具有较好的准确率和检索率。

基于改进K-均值聚类算法的背景建模方法

针对背景差法易受外界环境因素影响的缺点,提出了一种基于改进K-均值聚类的背景建模方法。通过比较任意样本与该像素位置处的子类中心之间的距离,对各个像素的观察值进行聚类,并在聚类过程中逐步确定其类别数。一段时间的学习之后,样本数最多的子类就构成了背景模型。仿真结果表明,该算法即使在运动目标存在的情况下也能准确的提取出实际的背景,而且显著地降低了系统的存储量。

一种自适应调整K-r的混合高斯背景建模和目标检测算法

针对非平稳背景下的复杂场景,该文提出一种自适应调整K-r的混合高斯背景建模和目标检测算法。该方法利用混合高斯模型(GMM)学习每个像素在时间域上的分布,构建自适应调整高斯分量K的方法,并针对不同情况,对描述像素的高斯分量数进行增加、删除或合并;在此基础上,模型参数更新式中引入了两个新的参数,能够根据实际情况自适应调整r值,使得背景建模和目标检测能够准确实时地随像素变化而变化,从而减少了运动目标信息的损失,提高了算法的鲁棒性和收敛性。实验表明,该算法在有诸多不确定因素的序列视频中能够迅速响应实际场景的变化,实现自适应背景建模和准确的目标检测。

双模型背景建模与目标检测研究

基于像素的背景建模方法速度较快但不能很好地描述背景运动,光流能准确描述物体运动但计算量大,难以满足实时的要求.提出一种结合基于像素的背景建模方法速度快以及光流描述物体运动准确优点的背景建模和目标检测方法.具体来说,为静止背景建立传统基于像素的灰度背景模型,为运动背景建立光流背景模型,通过2种背景模型的有效结合快速准确地实现目标检测.实验结果表明,提出的方法建模速度与基于像素背景建模方法相当,同时,又有光流准确描述背景运动的优点,综合性能超越上述2种方法.

基于随机聚类的复杂背景建模与前景检测算法

为了构建鲁棒的背景模型和提高前景目标检测的准确性,综合考虑同一位置的像素点在时间上的关联性和与其相邻像素的空间关联性,基于经典的Vi Be算法中的随机聚类思想提出了一种复杂背景建模和前景检测方法.利用样本一致性原理,采用前n帧序列图像得到初始化背景,避免了Ghost现象的发生;根据实际复杂背景的动态反馈获取自适应聚类阈值和自适应更新阈值进行随机聚类,从而实现了对动态背景的适应性;通过全局扰动阈值和局部像素级判断阈值的结合,实现了对光照缓慢变化、快速变化以及突然变化的免疫性,准确地分割前景目标.对多组数据集的测试结果表明,本文算法较大地提高了背景模型对动态背景、光照变化及相机抖动的复杂背景的适应性和鲁棒性.算法还能很好地适用于红外图像检测运动目标的场合,扩展了本算法的应用范围.在没有进行任何图像预处理和形态学后处理情况下,得到的原始前景检测精度优于其他对比算法.