搜索资源列表
Model-background
- 本算法实现的是对复杂背景的建模，从结果中发现所建模型较好。-The algorithm to achieve the modeling of complex backgrounds, found that from the results of the proposed model is better.
model
- 比较精美的后台管理系统模板，供新手参考借鉴-Beautiful background management system template, provide references for novice
gaussian-mixture-model
- 基于高斯混合模型的背景减除法，及目标检测额实现-Based on the background of the gaussian mixture model reduction division, and target detection amount to realize
ForegroundExtract
- 视频捕捉的对象中，背景通常保持不变。一般分析中关注移动的前景物体，威力提取出前景物体，需要建立背景的模型，将模型和当前帧进行比对检测前景物体。前景提取应用非常广泛，特别是在智能监控领域中。 如果有不含前景物体的背景图片，提取前景的工作相对容易，只需要比对当前帧和背景图片的不同，调用函数absdiff实现。但是大多数情况，获得背景图片是不可能的，比如在复杂的场景下，或者有光线条件的变化。因此，就需要动态的变换背景。一种简单的办法是对所观察到的图片取平均，但这样做也有很多弊端，首先，这种办
TestCodeBookEx2
- Codebook 码本VC实现，背景模型建模，对于视频监视，提取运动物体-background model using code book
yanjiu
- 关于自适应高斯混合背景模型的更新算法的研究-About adaptive Gaussian mixture background model update algorithm
program
- 背景建模和graph cuts相结合的方法对图像进行分割，达到了良好的效果。-a method which combines the background model and graph cuts achieve the good performance
MODEL
- 本旅游网专业服务系统主要针对旅行社，地区旅游门户网站而开发； ·本系统全新代码，全新逻辑关系，全新数据库，全新注释； ·本系统全站生成HTML纯静态页面，针对百度更搜索引擎更友好收录； ·本系统主要包括旅游线路、酒店预订、景点介绍、车辆租赁、新闻管理、在线预订模块； ·后台可以自行设置任意设置、如：订单管理、分类管理、参数设置、线路管理、酒店管理 车辆管理、签证服务、招聘管理、留言管理、友情链接管理等；-The tourism network of professional
Predict_duffing_with_bp
- 利用matlab自带的BP神经网络工具箱对duffing混沌背景模型进行相空间重构与预测，程序中已经给出duffing函数，主函数中也给出了主要注释，方便大家学习交流。-BP' s own use matlab neural network toolbox for duffing chaotic background model and prediction of phase space reconstruction, the program has been given duffing
myGMM
- 运用opencv进行运动目标检测，背景采用高斯混合模型进行更新。-The use of OpenCV moving target detection, background model is updated by Gauss mix.
guassian
- 混合高斯背景模型，背景差法，检测运动目标，环境VC2008，Opencv，前景与背景分开显示-Gaussian mixture background model background subtraction method to detect moving targets
background-modeling
- 随着智能监控技术的快速发展, 基于数字视频的智能视频监控系统代替原来的人力监控在越来越多的公共场所获得了应用。然而, 在实际的户外监控环境下, 由于光线变化以及初始背景样本的多样性, 难以建立良好的背景样本。针对上述问题, 提出了一种自适应的背景建模方法。其中自适应指两个方面: 第一 背景的自动更新 第二, 不需要使用背景帧样本作为模型训练的输人。在此基础上, 建立了针对户外交通环境的智能车辆监控系统。实验结果表明, 上述方法在动态场景的车辆检测中取得了较好的效果。-With the rapid
backgroud-model2
- 针对传统背景建模存在的问题，文中基于低秩矩阵恢复原理，直接从视频序列中分离出前景物体和背景模型。已有低秩矩阵恢复算法的迭代计算过程中涉及大量的奇异值分解，而这些奇异值分解一般非常耗时且不够简洁，文中在非精确增广拉格朗日乘子法中引入线性时间奇异值分解算法，以得到更加有效的背景建模算法。基于 实际视频序列实验，结果表明该改进算法具有更好的建模效果和较少的运算时间。-In this paper，a novel method is present based on low-rank matrix r
background-model6
- 针对子块级背景建模方法无法保证所提取前景形状的精确性及像素级背景建模方法无法有效处理非平稳场景的问题，提出了一种背景建模分层模型，首先采用文中子块级建模算法得到较为粗糙的背景区域和前景区域，然后利用混合高斯模型对特定图像区域执行像素级的前景提纯或背景模型更新操作，2 种不同层次的算法通过非 对称前向反馈机制进行级联。实验结果表明，所提分层模型在能够有效处理非平稳场景的同时保证了所提取前景 形状的精确性，且对光照突变不敏感，建模效果优于级联算法中任一独立算法，而处理时间小于2 种独立算法处
background-model8
- ：基于背景建模的运动目标分割是智能视频监控的重要任务，模型的质量直接影响到检测、跟踪、识别等运动分析的准确性．当前的建模方法多是单层的，忽略了像素特征在时域和空域上的联系，模型描述不够准确，对于背景扰动、全局光照变化及复杂的室内外场景等多种情况鲁棒性不强，导致了分割中出现空洞和噪声点．针对这些问题提出了一种双层建模的方法，在第一层提取时域上的像素亮度特征采用码本建模，第二层提取邻域纹理特征采用基于中心对称的局部二值模式建模．实验证明该方法在用于运动分割时，比常用方法具有更好的准确性和鲁棒性．-M
m9
- 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．-Faster but not a goo
m11
- 混合高斯(Mixture of Gaussian, MOG) 背景建模算法和Codebook 背景建模算法被广泛应用于监控视频的运动目标检测问题, 但混合高斯的球体模型通常假设RGB 三个分量是独立的, Codebook 的圆柱体模型假设背景像素值在圆柱体内均匀分布且背景亮度值变化方向指向坐标原点, 这些假设使得模型对背景的描述能力下降. 本文提出了一种椭球体背景模型, 该模型克服了混合高斯球体模型和Codebook 圆柱体模型假设的局限性, 同时利用主成分分析(Principal compon
m13
- 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
m14
- 背景建模是实现运动目标检测与跟踪任务的关键技术之一, 背景模型的鲁棒性问题受到普遍关注. 本文针对背景建模所依赖的不同信息特征, 从实际应用和样本集形态两个方面分析了背景模型的鲁棒性需求. 根据不同信息的描述和处理的特点综述了背景建模的典型算法, 并考察其对鲁棒性需求的处理策略. 然后就不同层次信息的描述及其鲁棒性, 比较了典型背景建模系统, 并分析了背景建模技术的发展趋势.-Background modeling is a key technology to achieve moving ta
TCOblDetector
- 一个目标跟踪算法，基于背景建模，前景提取，进行目标跟踪。-a object dector base on background model.