资源列表
43-MATLAB-neural-network-code
- 本压缩包包含43个神经网络代码以及数据，对于学习神经网络很有帮助-This package contains 43 neural network code and data, useful for learning neural network
fft
- 傅里叶变换真的很重要，由此我也爱上了数字图像处理。在竞争激烈的当下，掌握了数字图像处理，就能赢在当下!大家好，我是zoom -Fourier transform is really important, which I fell in love with digital image processing. In the competitive moment, mastered the digital image processing, will be able to win in the mom
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
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
m12
- 针对核密度估计背景建模方法运算量大难以实时应用的问题，提出了一种基于背景直方图分布的快速核密度估计背景建模方法。选用三角核函数进行核密度估计，根据三角核带宽函数的截断效应，引入背景分布的直方图完成快速背景建模，在保证目标检测准确性的同时提高运算速度。测试实验结果验证了算法能够满足监控系统的实时性要求。-For kernel density estimation is difficult to satisfy real-time applications because of large amou
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
m10
- 背景建模是实现运动目标检测与跟踪的关键技术之一。在实时视频监控系统中，对背景建模算法的运行时间及所提取出的背景图像的实时性有很高的要求，针对这一问题，提出了一种基于切比雪夫不等式的自适应阈值背景建模算法。算法利用切比雪夫不等式计算像素点色度变化的概率估计值，提出了一种自适应阈值分类方法，它将像素点快速分类为前景点、背景点及可疑点，再利用核密度估计方法对可疑点进行进一步分类，最后利用背景更新算法提取实时背景图像。实验结果证明，该算法能快速有效地区分特征明显的背景点与前景点，提高了背景图像提取的速
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
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
background-model7
- 针对智能视频监控中运动目标的检测，提出了一种基于字典学习的背景建模方法．结合时空域信息对视频中的每个位置进行字典学习来描述场景信息．利用背景频繁出现的特性，将字典中的词划分成描述背景的词和描述前景的词．用字典表达对应位置的结构，并根据字典中贡献最大词的属性对当前位置进行背景判断．根据判断的结果对字典进行实时更新．在公共的视频数据库上与传统的背景建模方法相比较，所提方法可以较好地检测出前景目标．-Intelligent video surveillance to detect moving tar
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-model5
- 将背景减法中应用的基于像素的背景建模方法分为递归和非递归两类，分别对它们的算法进行综述，总结它们适用的场合和更新状况 并对各种算法性能从精确度、时、空复杂度3 个方面进行比较 最后对背景建模方法的发展和应用方向作总 结和展望。-Pixel－based background modeling methods which generaly used in the background subtraction are divided into two types: recursive and no