基于深度学习的短视频智能推荐算法技术

采用目前方法对短视频进行智能推荐时,没有对用户的长短期喜好分别进行考虑,导致点击率和推荐准确率低、综合推荐效果差的问题。提出基于深度学习的短视频智能推荐算法技术,首先提取目标短视频的场景特征和行为特征,从而得到联合特征,然后采用深度学习分别对用户的长短期喜好进行建模分析,最后结合目标短视频的联合特征和用户短视频喜好特征计算相似度和喜好度,选取喜好度最高的若干短视频构成推荐列表,完成短视频的智能推荐。实验结果表明,所提方法具有更高的点击率、推荐准确率和更好的综合推荐效果。

基于改进ICP的帧间匹配算法研究

ICP算法在每一次迭代时均会对点云数据中每个点进行选择,直到得出与目标点最近点,再计算得出位移向量和旋转矩阵,存在迭代计算时间较长、精度较低的问题。为解决该问题,文中提出一种以欧氏距离为匹配条件,利用法向量信息找出匹配点,同时利用实际曲面信息的特征过滤错误匹配点的算法。所提算法利用中心重合法来降低前后两帧激光点云数据的平移距离,利用KD-Tree算法将各个激光点按照坐标分类,最后利用激光点的法线和曲率淘汰错误点,提高匹配精度。在Anaconda环境下进行仿真实验,结果表明,在点云数目为363,727,1 400时,采用改进ICP算法所用时间分别是原ICP算法的39%,41%,56%,均方根误差分别控制在原ICP算法的0.68%,18.48%,18.04%。改进后的ICP算法匹配效果得到显著提升,误差减小,迭代时间明显缩短。

基于动静背景下的视频对象自适应提取算法

在MPEG-4标准中提出了VOP(Video Object Planes)的概念,可以通过VOP实现基于内容的操作。这样,从场景中自动地分割出视频对象就成为基于对象视频编码的先决条件。为此,提出一种基于动静背景下的视频对象自适应提取算法。该算法可以自动提取动态背景、静态背景,也可以在视频序列中出现背景和对象都停止变化时实现视频对象的提取。同时,该算法引入了视频前景和背景预处理,克服了由于视频图像对比度低造成的提取出的部分视频对象轮廓不完整的问题。

森林火情烟雾识别算法研究

森林火情自动识别系统的首要目的就是对着火点及烟雾的识别,为了能尽早的发现火情,以及适应较远的观测距离,降低成本,本文提出一种基于可见光相机的森林火情自动识别方法,制定全新的搜索策略,无需预先背景采集,采用帧间相关的方法对烟雾进行实时监测,与传统的差分法检测火情相比具有更好的实时性及检测效率,实验证明,该方法具有很好的可靠性和稳定性,对提高火情识别效率、降低漏警率和虚警率的发生具有很大改善。

基于RGB-D图像与头肩区域编码的实时人流量统计

为解决基于彩色摄像机的人流量统计存在精度低、易受光照影响等问题,研究了利用RGB-D图像与头肩区域编码进行实时人流量检测的方法。在对RGB-D图像前景检测与空洞修复的基础上,采用随机点和漫水填充法提取潜在目标区域,并度量随机点与区域内极值点间的欧式距离以剔除噪声点的干扰,减少了冗余信息的计算量。根据人体头肩区域的先验信息,提出了一种七维头肩特征描述符对潜在目标区域编码,从而避免人体运动过程中产生的头肩部形变对头部区域检测的影响,采用SVM和阈值限制得到满足区域特征的头部区域。根据图像中不同区域的圆形度排序的思路,提出了头部区域筛选方法以去除无效区域,并构建了一种帧间目标匹配算法和多条计数线的方法,对已获得的头部区域实现计数,计数后获取人的身高数据。实验结果表明,该算法在教学楼楼道口和楼门口场景中人流量统计正确率高达99.30%以上,身高测量平均相对误差在2.59%以内,处理单帧图像的平均时间仅为18.31 ms。

基于激光视觉融合的帧间匹配方法

同步定位与地图构建(Simultaneous Location and Mapping,SLAM)是机器人在未知环境中实现自我导航能力的重要保证。目前SLAM算法使用的主传感器基本是激光雷达或视觉相机。二者各具优劣,激光雷达能更精确地进行测距,视觉相机能反映环境丰富的纹理信息。与使用单一传感器相比,将二者融合的SLAM算法能够获得更多环境信息,达到更好的定位和建图效果。文章提出一种融合激光雷达和视觉相机的帧间匹配方法,通过在SLAM帧间匹配过程中加入地面约束以及视觉特征约束,提高帧间匹配过程精度,增强算法鲁棒性,从而提升SLAM算法整体效果。文章最后利用采集的地下停车库数据进行结果验证,与开源算法A-LOAM进行对比。结果表明,相比A-LOAM的帧间匹配方法,文章提出的方法相对位姿误差提升约30%。

一种城市环境三维点云配准的预处理方法

针对城市三维环境下LiDAR点云数据密度大、离群噪点多、分布散乱不利于后期点云帧间匹配的问题,提出一种应用于城市环境下大规模三维LiDAR点云帧间匹配的预处理方法。首先,将点云数据转化为均值高程图,利用网格之间的高度梯度对点云进行地面分割处理;然后,通过三维体素栅格划分的方法改进了DBSCAN聚类算法,用改进后的VG-DBSCAN对点云进行聚类,聚类后目标点云与离群点分离,从而剔除点云中的离群噪点;最后,采用Voxel Grid滤波器对点云降采样。实验结果表明,所提方法可以对点云数据进行实时的预处理,平均耗时为132.1 ms;预处理之后点云帧间匹配的精确度提高了2倍,平均耗时也仅为预处理前的1/6。

一种基于DIC测量帧间大压缩变形的方法

为解决DIC测量帧间大压缩变形时出现的退相关现象,提出一种基于双边特征匹配的DIC全场测量方法。首先,对匹配图像进行网格分割,快速提取ORB特征;然后,采用双边特征匹配,剔除错误匹配;最后,独立估计每个感兴趣点的变形参数,为IC-GN算法提供初值,迭代获得最终结果。通过仿真和实际实验验证了该方法的性能。结果表明,该方法适用于测量帧间大压缩变形,并且在测量其它帧间大变形方面具有广阔的应用前景。

基于MATLAB的运动行人检测算法的研究

介绍一种基于MATLAB的运动行人检测算法,可用于基于FPGA的智能监控系统。由于目前最常用的行人检测的基于统计学习的方法算法的复杂性等原因很难在FPGA上实现,在传统的运动检测算法帧差分法的基础上,提出了帧间相对模板匹配差分法,首先利用帧间差分法检测出运动目标区域,然后将该运动区域截取,并归一化,将截取到的运动区域分成若干个20*20矩形区域,分析车辆和行人运动的区别以及每个20*20矩形区域的水平投影和垂直投影的区别,将每个帧间20*20矩形区域进行相对模板匹配,达到运动行人检测的目的。实验表明该算法对运动行人进行检测有较好的效果,并且算法简单,适合基于FPGA的智能监控系统。