搜索资源列表
motion-tracking-system-
- 本文分析比较了传统运动目标检测的3种主要方法:背景图像差分法、时态差分法和光流法,在此基础上给出了一种背景图像预测算法,大大减少了因为背景变化而产生的目标检测误差。本文基于OpenCV设计出改进的运动目标检测与跟踪算法,实现了运动目标的跟踪,并在VC++编译环境下,利用USB摄像头作为视频采集器,通过观察实验结果可以看出,本文的运动目标检测算法能够正确地检测出视频图像中的运动目标,而且在检测性能上优于普通的自适应背景差分法。 -OpenCV-based motion tracking sys
9854125413
- 运动估计是视频编码的关键技术，其最基本的原理是利用相邻帧间的时间 相关性，通过预测来减少时间冗余度。在实际编码中，为了节省码率，并不传 输每一帧的全部数据，而是利用运动估计求出每一帧与其预测参考帧之间的差 值。运动估计越准确，差值的分布越趋近与零，差值块的能量越小，经过变换、 量化和熵编码后所产生的码流的比特位率也越少。因此，运动估计搜索的准确 程度直接影响到了编码的压缩性能。 -Motion estimation is the key to video encodin
wavelet_compression
- 小波变换用于交通数据压缩，提取出交通数据流的重要参数，提供交通预测-wavelet for traffic data compression
the-wavelet-neural-network
- 城市交通流的运行存在着高度的复杂性、时变性和随机性,实时准确的交通流预测是智能交通系统,特别是先进的交通管理系统与先进的出行者信息系统研究的关键. 基于交通流预测的特点,给出了基于遗传算法的小波神经 网络的交通预测模型GA-WNN ,用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练,部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法,克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷. 仿真实验验证了GA-WNN 预测模型对短时交通流的
3LL(1)
- 编译原理上机—语法分析1 目的：熟练掌握自上而下的语法分析方法，并能用C++程序实现。 要求： 1. 使用固定的文法 2. 对于任意给定的输入串（词法记号流）进行语法分析，递归下降方法和非递归预测分析方法可以任选其一来实现。 3. 要有一定的错误处理功能。即对错误能提示，并且能在一定程度上忽略尽量少的记号来进行接下来的分析。可以参考书上介绍的同步记号集合来处理。 可能的出错情况：idid*id, id**id, （id+id， +id*+id …… 4. 输入串以#结
gzb_daily_11
- bp神经网络进行水库出流预测，输入参数有月份，水库坝上水位，水库坝下水位，水库入流量，输入参数为水库下泄流量(Prediction of reservoir outflow based on BP neural network)