Criteria for Weighted Moving-Mean Method

The moving-mean method is one of the conventional approaches for trend-extraction from a data set. It is usually applied in an empirical way. The smoothing degree of the trend depends on the selections of window length and weighted coefficients, which are associated with the change pattern of the data. Are there any uniform criteria for determining them? The present article is a reaction to this fundamental problem. By investigating many kinds of data, the results show that: 1) Within a certain range, the more points which participate in moving-mean, the better the trend function. However, in case the window length is too long, the trend function may tend to the ordinary global mean. 2) For a given window length, what matters is the choice of weighted coefficients. As the five-point case concerned, the local-midpoint, local-mean and global-mean criteria hold. Among these three criteria, the local-mean one has the strongest adaptability, which is suggested for your usage.

压力采集滤波系统在铝合金电阻点焊中的研究及应用

为了采集铝合金点焊过程中的压力变化量,实现实时监测熔核状态,提高焊点质量,设计了一种铝合金点焊压力采集的滤波系统。第一步,设计采集电路,实现对压力信号的实时采集和电平转换;第二步,通过对压力信号干扰源的分析,设计硬件滤波和软件滤波相结合的方法,以解决压力信号受干扰的问题。实验结果表明,采用本系统得到的压力波形变化平稳,能够准确反映焊接过程中的压力变化和熔核状态。采用本系统后焊点熔核直径平均值提高了10%,而且焊点无裂纹,气孔也较少。

结合Kalman滤波器的Mean-Shift跟踪算法

针对经典Mean-Shift算法要求相邻两帧间目标模板区域必须重叠的缺陷,结合Kalman滤波器,提出了改进算法。算法首先将Kalman滤波器预测的目标位置作为Mean-Shift算法中的初始搜索中心进行跟踪,然后再将Mean-Shift算法得到的新的目标位置作为下一帧Kalman滤波器的输入参数,循环执行。实验证明,该算法能够解决由于目标运动速度突然变化以及目标快速运动情况下所带来的相邻两帧间目标模板区域非重叠问题,而且对于一般的遮挡问题也能得到较好的效果。

Mean-shift跟踪算法及其在光电跟踪系统中的应用

针对光电跟踪系统中实时提取运动目标脱靶量的应用需求,设计了一种基于灰度直方图的Mean-shift图像跟踪算法,对算法中目标模型与候选模型的建立进行了改进,抑制了背景像素对目标跟踪产生的影响。算法在系统上位机Visual C++6.0平台上实现,当光电跟踪系统捕获到运动目标后,利用Mean-shift图像跟踪算法跟踪运动目标,并实时将运动目标脱靶量作为伺服控制系统的输入信号,驱动跟踪器跟踪目标。实验结果表明:设计的算法可以实时、准确、有效地跟踪运动目标,使稳定后的脱靶量换算得到的角偏差量控制在30″之内。

结合粒子滤波与Mean shift的高速运动目标跟踪

Mean shift跟踪算法能够有效跟踪视频序列中的各种运动目标,但是该算法无法准确地跟踪视频中高速运动目标.通过分析mean shift算法的原理,指出mean shift对高速运动目标跟踪失效的原因,提出一种基于mean shift的粒子滤波跟踪的新算法.通过实验比较,该算法能改善了Mean shift算法对高速运动目标的效果,并且在存在干扰目标的情况下具备良好的跟踪效果.

结合目标预估计与Mean Shift理论的运动目标跟踪算法

图像的运动包括目标、背景和平台的运动,复杂的运动关系增加了目标跟踪的难度。提出了一种有效的基于Mean Shift理论的运动目标跟踪算法。为提高算法的实时性,对Mean Shift算法的核函数进行了改进,使得加减运算替代乘方和浮点运算,大大提高了运算效率;并通过对迭代权值的改进,强化了初始模板的主要信息,提高了算法跟踪与背景相似目标的能力;采用自动更新模板的策略,克服了目标特征分布发生改变的问题;在此基础上,引入了目标预检测,提出了综合背景差分检测的运动目标跟踪算法,实验表明:该算法在目标被遮挡情况下具有较强的适应性。

一种融合Kalman预测和Mean-shift搜索的视频运动目标跟踪新方法

简要介绍Kalman滤波跟踪和Mean-shift跟踪并分析其优缺点,在此基础上提出一种融合Kalman预测和Mean-shift搜索的运动目标跟踪新方法。该方法利用Kalman滤波估计出运动目标在下一帧中最可能的出现位置,利用Mean-shift方法据此进行较小范围的搜索和目标匹配,从而可用较小的运算量获得较为可靠的跟踪效果,并适应较复杂的场景。实验结果证明了该算法的有效性。

基于BDWT的运动目标识别及Mexico小波核mean shift跟踪算法(英文)

提出了一种应用于智能交通监控系统的运动目标识别和跟踪方法。针对帧间差分提取运动目标的缺陷与不足,提出了一种基于二进小波变换的运动目标识别算法,即直接在二进小波变换域提取运动区域,从而检测出运动目标。对于检测出来的运动目标,对mean-shift跟踪算法进行了改进,采用以Mexico小波核函数自适应mean-shift算法对目标进行跟踪。实验结果表明,提出的算法可以有效地提取运动目标,即使目标与背景具有较高的相似度,也可以较准确的提取出前景运动信息,效果要好于传统的帧差法;跟踪目标准确度高,不受目标大小变化的影响。本算法具较高的实用价值和应用前景。

基于鲁棒M估计和Mean Shift聚类的动态背景下运动目标检测

针对动态背景下运动目标的检测问题,提出了一种基于鲁棒M估计和Mean Shift聚类的目标检测新方法。首先,在考虑全局光照变化的情况下,构建鲁棒M估计器估计全局运动,以实现最小化相邻2帧图像中所有像素亮度的绝对残差和,根据M估计得到像素点权值,提取出代表局部运动信息的离群点;在离群点中均匀抽取网格点,然后利用Mean Shift聚类算法实现不同运动点的分割;根据聚类的结果生成凸包,准确分割出运动目标区域。实验结果表明,该方法能检测出动态背景下的多个运动目标区域,多目标检测准确度到达95%以上,并且只需两帧图像就可以准确检测并锁定运动目标,满足实时处理的要求,具有一定的工程意义.

一种改进的Mean Shift运动目标跟踪算法

首先研究了Mean Shift算法(均值漂移算法),针对Mean Shift算法在跟踪视频运动物体应用中的不足,提出了将卡尔曼滤波预测的窗口和三帧差法提取的窗口通过加权的方式,产生一个新的检测窗口作为均值漂移算法的检索窗口,同时对核函数带宽和目标模型进行更新。实验表明经过优化的算法,对运动物体跟踪有了明显的改进,有了更好的鲁棒性。

改进Faster R-CNN的视频SAR动目标检测算法

针对当前可用于深度学习的视频SAR数据稀少的现状,以及动目标检测算法中存在较多的漏检和虚警问题,基于美国桑迪亚国家实验室真实视频SAR数据制作深度学习数据集,提出一种改进Faster R-CNN的视频SAR动目标检测算法。算法以截取后的ResNet50为特征提取网络,利用K-means加遗传算法自适应计算锚框,并在数据预处理环节加入S型曲线增强方法,来增强图像的对比度信息。经实验验证,所提出方法能够显著提升动目标检测率和检测速度,其中,平均精度(AP)和F1分数提升均达到10个点以上,有效降低了虚警和漏检,整体表现优于一阶段算法SSD和RetinaNet。

基于低对比度红外图像时空信息的气体泄漏检测

气体泄漏事故造成的危害是多方面的,如环境污染、人员财产损失、火灾爆炸。红外热成像作为可实现大范围快速成像的定性探测技术被广泛使用,相比一般红外图像,气体红外图像的对比度更低,边缘更加模糊,不易识别。针对上述问题,本文提出一种基于混合高斯背景建模的低对比度气体红外图像泄漏检测方法。首先,在预处理阶段,提出时域自适应帧间滤波算法实现红外图像的降噪和细节保持;然后,基于空域信息和梯度信息约束,提出时空混合高斯背景模型实现泄漏气体目标的前景的初步提取;最后,为更好地去除前景检测中干扰的运动目标,利用改进的快速鲁棒的模糊C均值聚类方法实现气体区域的自适应分割。实验结果表明,在5 m的泄漏距离下,该检测算法可有效提高准确率,弥补气体区域空洞问题,降低其他运动物体的干扰,气体泄漏检测准确率在92.3%~96.3%,与其他算法相比具有显著的抗干扰和区域分割能力。

基于Mean-shift跟踪算法的汽车运行物体目标监测分析

为了提高汽车对前方运动物体的识别能力,开展基于Mean-shift跟踪算法的汽车运行物体目标监测分析。进行双目标定时,将相机内参数代入MATLAB软件中来完成双目标定的过程,获得相机位置数据。完成标定之后,再校正图像。现场测试得到,计算出目标点和汽车之间的位置测试距离和设定距离基本一致,最大误差不超过5%。当距离增大后,目标点更易在左右图像内完成特征点匹配,实现误差降低的目标,并在距离等于5m处达到最小的误差。采用所提算法可以精确跟踪运动目标,并且显示即使物体受到遮挡的情况下也可以完成跟踪的目标,表明算法是可靠的。

一种针对视频对象快速移动和遮挡的改进mean-shift跟踪算法

针对经典mean-shift算法在目标发生快速移动或受到局部遮挡时容易跟踪失败的问题,提出一种改进的mean-shift算法。首先以Bhattacharyya系数作为目标运动状态判断因子:当目标发生快速移动时,采用SSD(Sumof Square Difference)算法进行全局搜索,以此来指定当前帧mean-shift算法的初始跟踪位置;当目标受到局部遮挡时,采用背景相似度算法,对目标模板和候选模型区域中像素点进行加权,降低背景像素的干扰,然后由SSD算法进行局部匹配,对mean-shift算法的跟踪结果进行校正。经实验表明,改进算法对发生快速移动或受到局部遮挡的目标,能进行有效的跟踪。

内河船舶尾气监测的多无人机路径规划研究

由于高、低硫油价格的较大差距,低硫油高昂的使用成本使得内河船舶高硫燃油使用的违规率依然较高,给有关部门的监管与防治工作带来了不小的挑战。为降低内河船舶活动产生的大气污染物排放对航道沿线地区的空气质量的影响,如何通过非接触式取样检测船舶燃油质量成为重要问题。针对内河船舶尾气排放监测的多无人机协同路径规划问题,构建了多无人机巡检路径规划模型,并提出基于K-means++和混合模拟退火遗传算法构成的两阶段算法进行求解。结果表明,该两阶段算法能够在不同条件下合理均衡地分配巡检任务,为内河船舶尾气排放监测的无人机巡检系统的建立提供理论支撑。

基于Mean Shift的多模板目标跟踪算法

目标跟踪是计算机视觉研究领域的热点之一,并得到广泛应用。其中基于Mean Shift的运动目标跟踪算法因其计算量小,实时性好,简单易行等特点而受到广泛关注,但该算法在目标突变或严重帧丢失以及目标严重遮挡的情况跟踪效果不佳,留下了改进空间。在传统基于Mean Shift运动目标跟踪方法基础上,通过创建并维护多样性模板库为跟踪过程提供更丰富的目标描述信息,提高算法运动目标跟踪效果。实验结果表明,新算法较好地解决了在目标突变和严重帧丢失情况下不能准确跟踪目标的问题,并且对目标的完全遮挡也具有很好的鲁棒性。

基于改进的颜色特征和直方图更新的Mean-Shift算法

为了提高复杂环境下智能视频监控对运动目标跟踪的可靠性,提出一种基于改进的颜色特征和直方图更新的Mean-Shift跟踪算法.该算法利用像素点局部颜色变化作为跟踪目标像素点特征,弥补单一颜色值特征对目标表征的不足;并根据Mean-Shift跟踪结果和目标匹配程度对目标直方图进行更新,保证在目标姿态和大小发生变化时目标特征直方图的有效性.实验结果表明:与传统Mean-Shift算法相比,改进的颜色特征减小了相似背景像素对运动目标的干扰,目标直方图的更新提高了Mean-Shift算法对目标姿态和大小改变的鲁棒性.算法提高了基于颜色特征的Mean-Shift算法对复杂环境中运动目标进行实时跟踪的可靠性.

基于K-means聚类粒子群算法的多点PV-DG日前分配计划

针对光伏分布式电源(PV-DG)将大量接入配电网的场景,提出了基于K-means聚类粒子群算法(PSO)的PV-DG日前出力优化算法。该算法通过K-means聚类法根据PV-DG依次接入不同配电网的节点每小时网损的分析对节点进行分类,结合设计的分配公式初始化并网节点的PV-DG出力,将此出力作为初始化粒子引入粒子群优化算中。将分时系数自回归滑动平均(ARMA)模型预测方法与常规ARMA预测方法进行了比较,仿真结果表明分时系数ARMA模型预测方法提高了预测精度;并将K-means聚类的粒子群算法与粒子群算法及模糊粒子群算法分别进行了比较,对比结果说明提出的优化方法进一步降低了网损。

基于SIFT与K-means的图像复制粘贴篡改检测

针对基于SIFT的图像篡改检测算法存在的时间复杂度高、鲁棒性低等问题,提出一种改进的SIFT算法。该算法利用K-means算法对SIFT特征向量矩阵的列向量进行聚类,通过选取与整体差异最小的列向量作为初始聚类中心,最终提取该初始聚类中心所在类的特征向量进行匹配,从而大大降低了特征向量的维数。相比于PCA-SIFT算法只能够线性降维,该算法还考虑了局部特征的非线性关系。实验结果表明,与PCA-SIFT算法相比,该算法具有更高的检测效率及检测正确率,并对旋转、缩放操作具有较强的鲁棒性。

基于Mean Shift和粒子滤波的运动目标跟踪

针对Mean Shift算法跟踪效果不佳以及粒子滤波算法计算量大且实时性不强等问题,提出了一种结合Mean Shift和粒子滤波的运动目标跟踪融合算法。首先用MeanShift算法进行跟踪,在跟踪结果不佳的情况下用粒子滤波算法进行修正。实验结果表明,融合算法很好地结合了两种算法的优点,既保留了Mean Shift算法的实时性,又很好地体现了粒子滤波算法的鲁棒性,实用性很强。