【摘 要】
：
提出一种基于动态阈值对称差分和背景差法的运动对象检测算法。首先通过建立一个基于统计的可靠背景更新模型,由背景差法得到基本准确的前景图像;然后与用对称差分法得到的差分图像综合;最后得到完整可靠的运动目标图像。中间采用了一种动态的最优阈值获取方法,然后用形态学滤波和连通区域面积检测进行后处理,以消除噪声和背景扰动带来的影响,并用区域填充算法来填补目标区域的小孔,从而将视频序列中的运动目标比较可靠地检测
【机 构】
：
湖南大学软件学院,中南大学信息科学与工程学院
【基金项目】
：
国家自然科学基金资助项目（60573079,60673093）
论文部分内容阅读
提出一种基于动态阈值对称差分和背景差法的运动对象检测算法。首先通过建立一个基于统计的可靠背景更新模型,由背景差法得到基本准确的前景图像;然后与用对称差分法得到的差分图像综合;最后得到完整可靠的运动目标图像。中间采用了一种动态的最优阈值获取方法,然后用形态学滤波和连通区域面积检测进行后处理,以消除噪声和背景扰动带来的影响,并用区域填充算法来填补目标区域的小孔,从而将视频序列中的运动目标比较可靠地检测出来。实验结果表明,该方法快速、准确,有一定的实际应用价值。
其他文献
提出一种多尺度图像检索算法,该算法基于SIFT特征提取,它将一幅图像转换成特征向量的集合,图像间的相似距离是通过计算两幅图像特征向量间的欧氏距离来实现的。实验结果很好地说明了该算法具有尺度、平移、旋转不变性,一定的仿射、光照不变性以及算法能很好地应用在特定形状特征目标的检索中。
提出了一种新颖的基于DCT域的自适应信息隐蔽通信算法。首先对原始图像块的多特性参数进行模糊聚类,将图像块分成两类,一类适合隐藏信息,另一类不适合,其隶属度作为隐藏信息强度的自适应系数。将混沌系统产生的序列嵌入到通信载体上,利用混沌同步进行隐蔽信息的检测。仿真实验表明,该算法有较强的鲁棒性,同时能保证通信载体的隐藏信息质量,确保通信安全。
首先归纳了目前仿真系统可信度评估方法,分析了这些方法存在的问题,提出了一种应用粗糙集理论对仿真系统的可信度进行定量评估的方法,然后介绍了粗糙集的相关理论。在此基础上建立了仿真系统可信度评估的体系结构和评价指标的属性表,详细阐述了基于粗糙集的仿真可信度的评估模型,最后进行了归纳总结。
为了解决Anycast通信模型的扩展局限性,提出了一种在P2P网络中的Anycast通信模型。以Pastry网络为实例,详细讨论与分析了在P2P网络中实现Anycast通信模型的可行性,并且详细阐述了Anycast通信模型在Pastry网络中的具体实现过程。在仿真环境中,实现了此模型与RFC1546定义的Anycast通信模型,并且比较了两个模型的性能,实验结果证明了此模型的有效性与高效性。
介绍了一种可用于软件采购定价的成本估算系统。首先引入了一个两阶段的成本估算模型框架。该框架利用一个裁剪的COCOMOⅡ模型估算开发总工作量,再利用一个贝叶斯网络模型估算开发总成本。并以某科技计划项目为例,对贝叶斯网络模型参数进行了定义和校准。在此基础上,开发了基于B/S结构的成本估算系统。应用实例表明,该系统拥有较高的估算精度。
针对空间信息资源的特点,列举了OGC注册模型语义化问题、OGC注册模型语义匹配问题、OGC注册模型与网格MCS数据模型转换问题等。在此基础上,将上述研究结合起来,提出了一种空间资源注册框架,并给出了主要模块和注册实现过程。
根据金属断口SEM图像的成像机制,提出了针对SEM图像的神经网络反射模型。通过引入分形约束条件和对传统亮度约束条件进行修正,构造了新的能量代价函数,重建出粗糙断口表面的细节特征。分别采用传统的SFS模型和新模型对断口SEM图像进行了对比重建试验,结果最大亮度误差由23.84%降到6.28%;平均亮度误差由4.46%降到1.07%。实验表明新模型对未知光源方向的SEM图像有很好的重建效果。
在内容适配的研究中,传输上下文的描述语言得到了广泛的关注,然而现有的描述语言在语义表达能力和用户偏好描述方面存在不足。为此提出了一种基于本体的传输上下文模型,通过将本体引入建模过程,提高了模型的语义表达能力和用户偏好的描述能力,较好地满足了e-learning背景下的内容适配的需求。
在对程序分片技术研究的基础上,提出一种新的片变体测试方法。通过实例说明,该方法能更有效地提高变体测试的准确性及测试效率。
为了提高遥感影像分类精度,从抽象级和测量级的两个层次出发,提出混合多分类器结合算法。该算法利用不同子分类器的分类结果及对各类别的分类精度,设定单个类别精度的阈值,选择最优子分类器,得到部分类别的最终分类结果;然后使用基于抽象级Bagging算法和测量级上的最大置信度进行多分类器结合。该算法应用于北京1号遥感影像的分类研究,结果表明该算法的总体精度和单个类别的分类精度比选用的子分类器都有明显的提高,