精华内容
下载资源
问答
  • 本文件主要是关于高斯混合模型的运动目标检测,以及针对高斯混合模型检测方法的不足,提出了改进的方法。需要的可以下载下来看看。
  • 基于高斯混合模型的多车道车流量检测算法,其中的检测算法对利用高斯混合模型检测目标还是不错的,可以看看的,这是一篇文档,下载前请注意,谢谢
  • 基于改进高斯混合模型的运动车辆检测
  • 由于在许多现实场景中,用户意图可能会...作者提出了一种用于未知意图检测的语义增强高斯混合模型(SEG)。特别地,作者用高斯混合分布对话语嵌入进行建模,并将动态的类别语义信息注入到高斯均值中,使得学习更多的...

    f2cfe1783354f12da57bf4fd30127519.png

    原文:

    ACL2020www.aclweb.org

    Abstract

    用户意图分类在对话系统中起着至关重要的作用。由于在许多现实场景中,用户意图可能会随着时间的推移而频繁地发生变化,因此未知意图检测已成为一个基本问题,而这项研究才刚刚开始。作者提出了一种用于未知意图检测的语义增强高斯混合模型(SEG)。特别地,作者用高斯混合分布对话语嵌入进行建模,并将动态的类别语义信息注入到高斯均值中,使得学习更多的类集中嵌入,有助于后续离群点检测。结合基于密度的离群点检测算法,SEG在两种语言的三个面向任务的对话数据集上实现了对未知意图检测的有竞争力的结果。在此基础上,作者建议将SEG作为未知意图识别器集成到现有的零射击意图分类模型中,以提高其性能。对一种最新的方法ReCapsNet的实例研究表明,SEG可以显著提高分类性能。


    Introduction

    对于未知意图检测,相关研究仍然较少。论文《Deep unknown intent detection with margin loss》(2019) 提出了large margin cosine loss (LMCL) 来学习深度判别特征,然后将其输入基于密度的离群值检测算法,以识别未知意图。

    尽管此方法在某些基准数据集上表现良好,但有两个局限性。 (1)在训练中,LMCL忽略了类别标签的先验知识,而事实证明,在嵌入空间中捕获的标签相关性可以提高预测性能。 (2)LMCL计算特征空间中嵌入之间的余弦距离,并以softmax交叉熵损失进行训练,使得每个类的嵌入分布又长又窄,可能不太适合应用基于密度的异常检测算法来检测未知意图。

    在本文中,作者旨在解决这些局限性,并针对未知意图检测提出一种新型的语义增强型高斯混合模型(SEG)。 与softmax函数相反,高斯混合模型使得嵌入在特征空间中形成球形密集簇,这对于离群值检测可能更为理想,尤其是在使用基于密度的离群值检测算法时。 此外,作者建议通过类别标签或描述的嵌入作为类别簇的中心,将类别标签的语义信息注入到高斯混合分布中。 这使SEG可以学习更多的类集中的嵌入内容,从而有助于下游离群值检测。


    Approach

    23c39032663205e89d6dbd0ddbbb0dd7.png

    Feature Extraction

    首先,作者通过双向LSTM+自注意力机制提取特征

    作为输入句子x的最终表示。

    Semantic-Enhanced Large Margin Gaussian Mixture Loss

    作者用高斯混合模型来建模每个类别的样本分布,

    z的概率密度函数:

    0573bec47009ad8cd7170121670bc81d.png

    其中

    c40ae2f8b22af78ba699c6a59fd3138d.png

    为高斯分布。

    单个样本的后验概率为

    1ffe2be555088fcfa7b99e2a964bb4cc.png

    交叉熵损失为

    3747b52c755d1bcb7ea62f820d937a2f.png

    aca208a093b36421b43ba33955b372df.png

    单个样本

    和类别k的均值
    的马氏距离为

    bb0e89f5288385e092b1d8e8c64a520d.png

    该损失增强为LMCL的形式为

    d27db23df46839cd6dd41c2952c31d10.png

    ----------------------------------

    为了进一步增强语义信息,作者提出使用之前的特征抽取编码器对意图类别信息进行编码,

    e749cf0485b0c302183d1c359e3538ac.png

    并且作者提出一个额外的loss来拉近每个样本和类别语义表示的距离:

    a709418835fa55816e475e790a3e6399.png

    综上所述,总的loss表示为:

    28d90208da3550b7e5345c865ce71bc5.png

    对于OOD检测,作者则直接使用了LOF离群检测算法。


    Experiments

    0cc9d41732cdc76c672c6a0cd4b11560.png
    展开全文
  • 基于改进高斯混合模型的前景检测
  • 青 梅青梅含有丰富的氨基酸、脂类、无机盐、维生素和微量元素,具有很高的营养价值和药用价值,...为提高青梅制品的品质和附加值,在青梅表面缺陷检测工作中引入机器视觉技术对青梅品质进行无损检测,以提高青梅制品...
    85fca57a6329713dad37dcf17ca371d8.gif

    青 梅

    3e7655c2fc9318fdb0d40dab33411c3b.png

    青梅含有丰富的氨基酸、脂类、无机盐、维生素和微量元素,具有很高的营养价值和药用价值,对人体蛋白质组成和正常代谢十分有益。

    青梅缺陷和主要指标成分对其精、深加工过程有重要影响,但目前青梅的缺陷检测与分级仍然依靠人工完成,存在着效率低、质量低等问题,远远不能满足青梅制品的生产需求。为提高青梅制品的品质和附加值,在青梅表面缺陷检测工作中引入机器视觉技术对青梅品质进行无损检测,以提高青梅制品生产过程的自动化和智能化水平,推动青梅制品产业的升级。

    国内外利用机器视觉技术对农林产品进行无损检测的研究已经比较成熟。

    6439bbafc412907804d4fec69cbad5bf.png

    ·Hussain Hassan等提出了一种基于纹理分析和均匀性纹理测量的橄榄缺陷检测技术,对A类橄榄分类精度为98%,对B类橄榄分类精度为99%,对健康橄榄分类精度为100%。

    ·李龙等设计了一套包括传送装置、图像采集装置和分拣装置在内的苹果内外品质在线无损检测分级系统。

    ·王旭利用巴特沃斯低通滤波技术对柑橘的灰度图像进行滤波处理,获得了柑橘的亮度分布图像,应用柑橘的图像阈值分割算法成功识别出柑橘表面存在的溃疡、损伤等缺陷。

    ·刘佳男以柑橘和砀山梨的缺陷纹理特征值、平均灰度、缺陷面积占果实表面总面积的比例作为BP神经网络的输入,柑橘和砀山梨的6种缺陷作为输出, 完成了水果的缺陷识别与分类。

    ·Iqbal等提出对水果表面颜色数据进行机器学习来判断水果表面质量,该方法需要提前对大量不同的背景、缺陷表面、正常表面、果梗的RGB组合数据进行训练,但是由于水果表面颜色信息的开环多变性,且没有提及实际光照变化对训练方法的影响,因此,通过实际应用完成所有类型的先验重复频繁训练不太现实。

    ·Zhang等使用环带区域灰度平均数值法矫正水果表面亮度不均匀灰度,然而当水果为不标准球状或者水果位置不在相机视场光轴中心时,亮度矫正仍会出现不均匀现象。

    虽然机器视觉技术在农林产品无损检测中的应用较为广泛,技术较为成熟,但针对青梅果实的无损检测技术研究较少。

    南京林业大学刘阳,刘英等采用高斯混合模型(Gaussian mixture model,GMM),结合EM(expectation-maximization)算法提出一种青梅缺陷分类模型,并建立了一个青梅缺陷检测分级系统。 

    1 检测装置

    在实际的工业应用中,需要研发出一套集青梅快速动态检测和分选为一体的青梅智能分选设备来实现青梅品质分选。为满足工业化应用的需求,本研究通过机器视觉对青梅表面溃烂、伤疤以及雨斑缺陷进行静态识别,提高青梅后续的分级及深加工效率,为最终实现青梅快速动态检测和分选提供前期技术支持。在保障青梅图像质量的前提下,为实现较高的图像采集速度,光学镜头选用Computar公司生产的M1620 MP2型工业相机镜头,焦距16mm,最小物距20cm500万像素;工业相机选用北京大恒图像技术公司的MER-531-20GC-P型工业相机,相机采用1Onsemi PYTHON 5000帧曝光CMOS传感器芯片,集成千兆以太网接口,彩色光谱,适合相对恶劣的工作环境;光源采用LED环形光源。青梅表面图像采集平台见图1。在采集图像时,通过调节光源与背景板之间的距离及角度、相机的工作距离与光圈大小,寻找可以使青梅表面图像质量较佳的光源与相机位置。在实际拍摄时,相机安装在位于传送带上的暗箱中,使用LED环形光源给图像采集提供稳定的光照环境,可以保证图片质量的稳定性。

    9fe68aa16efeb468b018136205998ba9.png

    2 检测算法

    2.1 青梅缺陷图像预处理主要流程将相机采集到的BMP格式的三通道彩色图像分割为RGB3个单通道的单色图,并将这3个单色图转换为HSV(H为色调、S为饱和度、V为明度)色彩空间,对采集的图像经过S通道分量提取、高斯滤波、特征提取以及分割后,将青梅从原始图像中提取出来,排除背景上其他干扰条件,降低后续处理与分析的复杂程度。对于在暗箱条件下采集的图片,利用高斯滤波可以有效减少图像中的噪点。2.2 青梅缺陷图像特征提取对青梅表面的缺陷检测,需要提取出有效的感兴趣区域,剔除其他干扰。根据青梅的表面缺陷特征,可以将其分为溃烂、伤疤、雨斑,如图2所示。青梅缺陷图像特征提取流程见图3。缺陷部分与正常表面的最大差异在于颜色的不同,缺陷部分颜色大多偏褐色甚至黑色,可以推断缺陷部分的灰度值较低,而正常表面的灰度值较高,利用这一差异可以从其单通道灰度图像中经阈值分割将缺陷提取出来。

    b32b6797f1b9aa55049592fe933a5669.png

    2.3 青梅缺陷检测原理 常见的分类器模型有多层感知器(multi-layer perceptronMLP)、支持向量机(supportvector machineSVM)。MLP是一种前向结构的人工神经网络,很难确定网络的隐含节点个数;经典的SVM算法只有二类分类的算法,而在数据挖掘的实际应用中,一般要解决多类的分类问题。高斯混合模型用多个模态精确量化事物,对复杂的背景有较强的适应性和抗干扰能力。因此,初步确定选用高斯混合模型建立青梅缺陷检测分级系统。高斯混合模型(GMM)可以用较高的精度表示任何连续分布,多个高斯分布叠加可形成混合高斯分布,定义集合v {vnn12…,N} ,表示从训练集中提取的局部特征描述子集合,vn为L维特征向量,假定v服从混合高斯分布,则高斯混合模型的概率分布模型[u(v)]为:

    41d7079abd0b487665b07e00fdec9e2d.png

    式中:μkGMM中第k个高斯分布的均值;okGMM中第k个高斯分布的协方差矩阵。GMM中的参数根据从大量训练样本中提取的局部特征向量集v,采用EM算法优化最大似然函数迭代求解。GMM中初始的μk okωkk均值聚类算法得出,根据这些初始参数,运用EM算法计算γnk(步骤):

    9d1e40b617e437a73744f3483f022ca7.png

    2 检测与分类

    3.1 青梅缺陷检测

     在对青梅图像执行通道分解、灰度二值化等操作后,发现青梅果实的6个颜色通道(RGBHSV)分量的图像经阈值分割后,因为果实边缘一些区域与缺陷区域灰度值相近易导致其被误判为缺陷。通过对比青梅果实各通道阈值分割后的图像,发现r通道发生边缘误判情况最严重,边缘灰度范围与缺陷区域灰度范围重叠区较大,最难实现边缘与缺陷的分离提取;而H通道发生边缘误判情况最轻微,阈值分割后,果实边缘仅有一些孤立点与缺陷区域灰度范围重叠。虽然可以通过前述取连通域后按照连通域的特征提取缺陷,但每种缺陷的形状、大小、颜色等特征不一,难以采取统一的提取标准将缺陷从阈值分割后的图像中提取出来,使青梅缺陷检测工作变得复杂。为了在缺陷检测识别中避免使用特征提取法而又能达到精准识别缺陷的目的,本研究采用边缘检测方法检测出青梅果实边缘并膨胀数倍作为掩模区域,并从H通道阈值分割后的图像中剔除掩模覆盖的区域,留下缺陷区域Region 1。采用边缘法对包含溃烂、伤疤、雨斑3种缺陷的青梅进行缺陷检测的效果见图4,其中,溃烂缺陷的面积较大,占果实总面积的比例较大;雨斑缺陷多为斑点,数量多且孤立,斑点所占面积较小。另外,从对应的果实彩色图可以发现,3种缺陷对应的果皮颜色也不相同。上述众多特征皆为青梅缺陷分类及品质分类提供依据。

    0d82a99a24405b531cb89d62b434ac37.png

    3.2 高斯混合模型分类

     高斯密度函数估计是一种参数化模型。高斯混合模型是单一高斯概率密度函数的延伸且能够平滑地近似任意形状的密度分布。高斯混合模型种类有单高斯模型(single gaussian modelSGM)和高斯混合模型两类。类似于聚类,根据高斯混合概率密度函数(probability density functionPDF)参数不同,每一个高斯模型可以看作一种类别,输入一个样本x,即可通过PDF计算其值,然后通过一个阈值来判断该样本是否属于高斯模型。SGM适合于仅有两类别问题的划分,而GMM因具有多个模型,划分更为精细,适用于多类别的划分,可以应用于复杂对象建模。采用高斯混合模型对感兴趣区域内交叉点进行分类,其难点在于特征参数的选取。通过对比青梅果实的3种缺陷可以发现,每种缺陷所对应的果皮颜色有所不同,形状大小特征也不同。因此,本研究采用HALCON图像处理软件对采集到的青梅表面图像进行处理,以青梅果实缺陷的RGB颜色分量值、缺陷圆度、矩形度以及紧密度共6个特征参数为vn向量中的6个元素,并将vn作为高斯混合模型的输入信号,输出信号则为存在溃烂、伤疤、雨斑3种缺陷的青梅及完好青梅。其中,缺陷圆度、矩形度以及紧密度这3个特征参数分别通过circularity(Region 1circularity)、rectangularity(Region 1 Rrectangularity)compactness(Region 1compactness)3个算子得出。青梅缺陷检测测试结果见表1。从表1可以看出,在对测试集中77张青梅缺陷图片利用GMMMLPSVM3种分类器分类对比后发现,GMM分类器的误判数量少于MLPSVM。其中,GMM对青梅缺陷检测分类的准确率达96.10%,相比于MLPSVM算法,缺陷检测准确率分别提高了14.28%和7.79%,说明利用多模态精确量化事物的高斯混合模型相比MLPGVM更适用于对青梅缺陷的检测。

    942271dd928a32c1acf7e45ac6f1e647.png

    4 检测分级系统

    4.1 分级标准

     目前国内对于青梅的等级还没有明确的分级标准,本试验根据南京某农业发展有限公司的实际需求提出了一种青梅的分级标准,将青梅等级分为三级:无溃烂、伤疤、雨斑缺陷,即完好的青梅定级为一等品;无溃烂缺陷且表面缺陷面积小于水果面积3%的青梅定级为二等品;存在溃烂缺陷或表面缺陷面积不小于水果面积3%的青梅定级为次品。

    4.2 青梅缺陷检测分级系统的实现

      本系统软件是采用HALCON HDevelop 1811 SteadyC联合编程, 并基于Microsoft Visual Studio 2o17自主开发设计了一个青梅缺陷检测分级系统,其主要界面见图5。其中,图像读取功能可以实现连接相机或加载本地文件2种方式获得待处理的青梅图像,通过点击工作界面左上角“图像读取”选择图像读取的方式,获得的图像可在工作界面左侧窗口显示。在图像读取的同时,利用系统自带的图像高斯混合模型分类器进行训练。图像处理功能,可以在点击工作界面左上角“图像处理”时,对获得的图像自动进行处理分析,获得图像中青梅果实表面所存在的缺陷图像,并在工作界面的右侧窗口显示。青梅分级功能,可以在获取经处理分析的缺陷图像后,利用高斯混合模型分类器实现对青梅品质的分级,分级结果在工作界面右下角显示。图像保存功能,可以在创建的SQL sever数据库中保存图像的分级结果,即图像路径。青梅缺陷检测分级系统共处理了348张图片,系统最小能够分辨半径为5μm的圆面积缺陷。对3种缺陷分别用阈值分割从H通道中提取出来,其中一张缺陷图像运行结果如图5b所示,图中正确识别出了青梅溃烂缺陷特征。该系统对带有溃烂缺陷的青梅检测准确率为100%,对带有伤疤缺陷的青梅检测准确率为97.22%,对带有雨斑缺陷的青梅检测准确率为92.31%,对完好青梅的检测准确率为94.44%。

    d403bc94130896f708e72b4e800a91f6.png

    结 论

    受工作经验和劳动强度等因素的制约,青梅缺陷检测难以适应产业的发展。针对该问题,本研究通过搭建青梅表面图像静态采集系统,采用图像处理软件HALCON HDevelop 1811 Steady对青梅表面进行了单通道灰度图像提取、图像滤波、灰度二值化及特征提取等预处理操作,实现了对青梅表面图像的去背景化,并利用去边缘法在青梅H通道分量图像成功提取到青梅表面缺陷。最后采用高斯混合模型对青梅表面缺陷进行分类,并创建了一个基于机器视觉的青梅表面缺陷检测分级系统。本算法具体采用348张青梅缺陷图像作为训练测试样本,其中271张为训练集,77张为测试集,结果表明:对带有溃烂缺陷的青梅检测准确率为100%,对带有伤疤缺陷的青梅检测准确率为97.22%,对带有雨斑缺陷的青梅检测准确率为92.31%,对完好青梅的检测准确率为94.44%。验证算法的应用验证了青梅缺陷检测的有效性。笔者构建了青梅缺陷检测分级系统界面,该系统能够实现图像采集、图像处理、青梅分级,并将分级结果保存到AQL sever数据库中。但是在实际应用中,不仅需要对青梅全表面进行采集以充分获取青梅表面缺陷,青梅分级标准还需要根据实际精确计算青梅全表面缺陷面积,以便根据缺陷面积占比对青梅进行分级。本系统设计的青梅图像采集系统是对青梅某一部分表面的静态采集,目的是为了验证算法以及系统的可行性,为实现动态、全方位采集提供理论和实践基础。目前主要围绕现有的缺陷样本进行识别,后续还将扩充样本库,搜集碰撞等原因造成的损伤和缺陷样本以进一步验证系统的可行性和精度,并将通过构建、修正青梅三维模型来实现青梅品质的精确分级。该文发表于《林业工程学报》2020年第4期。引文格式:

    刘阳,丁奉龙,刘英,等.基于高斯混合模型的青梅表面缺陷检测识别技术[J].林业工程学报,2020,5(4):139-144.LIU Y,DING F T,LIU Y,et al.Detection and recognition technology of green plum surface defects based on Gaussian mixture model[J].Journal of Forestry Engineering,2020,5(4):139-144.

    b1b7c064118c709f7b65f467a9de683d.gif▼更多精彩推荐,请关注我们▼917bf137b84f75bd9234b128443d86cb.png把时间交给阅读53db5bfd5fa52e448f6da3ac06271918.png图片来源于网络排版:Rachel

    30ea04720ba284fc22a19bcd932ad6ae.gif

    展开全文
  • ENPM-673-项目3 使用GMM分割不同颜色的浮标Python版本:3.x 所需包装: 麻木 openCV mathplotlib 操作系统 数学 要运行代码: 1.)在当前目录中运行包含所有代码的python文件。... 为了获得更多信息,请访问下面...
  • 高斯混合模型有效更新前景物体检测结果准确
  • 高斯混合模型

    2019-03-04 21:38:50
    转 【机器学习笔记】通俗易懂解释高斯混合聚类原理 从高斯分布、机器人误差、EM算法到小球检测 高斯混合模型
    展开全文
  • 基于高斯混合模型的运动目标检测与阴影消除技术研究,傅昌宁,杨杰,本文在对高斯混合模型进行深入研究的基础上,提出了一种将高斯混合模型与HSV色彩空间相结合的方法来消除在运动目标检测检测出的
  • 针对高斯混合模型存在背景更新收敛性差、易受环境噪声和光照突变影响、易产生虚假目标等问题,提出一种基于高斯混合模型的改进算法,用于视频中行人目标检测。通过将帧差法引入高斯混合模型,快速区分背景区域和运动...
  • 为满足复杂场景下视频烟雾检测的实时性、准确率等需求,提出了一种将高斯混合模型与卷积神经网络相结合的视频烟雾检测方法。基于高斯混合模型的背景减除法和形态学方法实现对视频图像的运动目标提取;针对烟雾检测效率...
  • 新颖检测中,可应用高斯混合模型建立已知数据模型,拟合数据分布,但当数据维数较高时,自由参数太多,训练需要巨大的数据采样,而ICA搜寻数据的最大统计独立表示,可以将数据从高维空间投影到低维空间。提出一种...
  • 学习高斯混合模型

    2018-09-10 16:02:20
    由于近期检测工作中需要构建概率模型,经由老师推荐,选用高斯混合模型。因此在此记录对高斯混合模型的学习内容。 混合高斯模型用来根据训练样本构建数据的概率模型,从而对测试数据的概率值进行预测。 1 所涉及...

    由于近期检测工作中需要构建概率模型,经由老师推荐,选用高斯混合模型。因此在此记录对高斯混合模型的学习内容。

    混合高斯模型用来根据训练样本构建数据的概率模型,从而对测试数据的概率值进行预测。

    1 所涉及公式介绍

    高斯混合模型公式:

    p\left ( x\right )=\sum_{k=1}^{K}\pi _{k}N(x|\mu_{k}, \varepsilon _{k} )                               (1)

    其中x为样本数据, 一共包含K个高斯模型, \pi _{k}表示第k个高斯模型所占权重, \mu_{k}, \varepsilon _{k}为第k个高斯模型的均值与方差。

    极大似然估计:

    E(\pi ^{_{k}}, \mu^{_{k}}, \varepsilon ^{_{k}})=|\sum_{i=1}^{N}log[p(x_{i})]|                        (2)

    最大化上述结果,或者加上负号后最小化上述结果。

    2 模型构建过程

    混合高斯模型一般采用EM算法(期望最大化)来进行模型构建,

    • 首先随机化初始参数, \pi_{_{k}}, \mu_{_{k}}, \varepsilon_{k}
    • 计算此时第n个样本落在第k个高斯模型的概率:\gamma _{n, k}=\frac{\pi_{k}N(x_{n}|\mu_{k}, \varepsilon _{k})}{\sum_{k=1}^{K}\pi_{k}N(x_{n}|\mu_{k}, \varepsilon _{k})}
    • 根据此时模型的参数来对参数进行更新(N_{k}=\sum_{n=1}^{N}\gamma _{n, k}表示第k个高斯模型中所包含的样本数):\pi_{k}=\frac{N_{k}}{N}, \mu_{k}=\frac{1}{N_{k}}\sum_{n=1}^{N}\gamma _{n, k}x_{n}, \varepsilon _{k}=\frac{1}{N_{k}}\sum_{n=1}^{N}\gamma _{n, k}(x_{n}-\mu_{k})(x_{n}-\mu_{k})^{T}
    • 再进行第二次迭代,直至最终公式(2)中的结果不再发生明显较大的变化(此处要根据训练结果自己进行调整)
    展开全文
  • 基于高斯混合模型的运动目标检测算法研究硕士论文电子版。
  • 高斯混合模型被广泛应用于摄像机静止条件下运动目标检测的背景建模。针对传统高斯混合模型中对光照变化适应性差及学习率单一等问题, 提出了一种光照变化检测及学习率更新的方法, 以达到自适应更新背景模型的目的。...
  • 对基于高斯混合模型的背景建模方法进行总结 1. 1999,Stauffer C & Grimson GMM paper: Adaptive Background Mixture Models for Real-Time Tracking 博客上的许多代码都是基于这个模型来写的; bgslibrary...
  • 高斯混合模型数学原理,EM算法,运动目标检测识别
  • 基于高斯混合背景模型运动检测与DSP实现基于高斯混合背景模型运动检测与DSP实现基于高斯混合背景模型运动检测与DSP实现
  • 基于高斯混合模型的图像序列运动目标检测技术研究的硕士毕业论文
  • 基于高斯混合模型背景的运动目标检测研究与实现,邢寒露,,本文通过回顾视频监控技术的发展,引入了智能视频监控技术。然后介绍了智能视频监控系统的基本结构,研究了智能视频监控中常用的
  • 利用卷积神经网络提取卷积特征并建立目标外观的高斯混合模型,利用核相关滤波算法检测目标位置,使用多尺度、多形状跟踪方法精确定位目标,在线更新高斯混合模型和核相关滤波器。在公开数据集上进行定量和定性分析,...
  • 针对高斯混合模型背景减除后运动目标存在阴影的问题,提出了初始化参数快速估计方法避免了高斯混合模型参数估计易产生局部极大值的问题,在分析高斯混合模型背景减除结果中阴影区域亮度和色度变化特性的基础上,提出...
  • 用于检测运动目标
  • 鉴于高斯混合模型对背景变化快时无法精确检测出目标和目标跟踪的适应性差等瑕疵,提出了基于加权似然跟踪器来改进高斯混合模型实现运动目标跟踪算法。主要引入了自适应高斯混合模型来实时检测运动目标,然后空间加权...
  • 该方法利用高斯混合模型进行背景建模剔除掉大部分图像背景, 减少了侦测扫描区域, 从而在减少负例样本误检率的同时提升了检测速度。同时对处理HOG的高维度, 提出了一种基于主成分分析(PCA)降维的梯度方向直方图(HOG)...
  • 改进的基于高斯混合模型的运动目标检测方法,关于自适应高斯混合背景模型的更新算法的研究,基于分块高斯背景的运动目标检测与跟踪技术研究
  • This project is the C++ implementation of Background Subtraction using adaptive GMM models as discussed by Zoran Zivkovic in his paper "Improved Adaptive Gaussian Mixture Model for Background ...
  • 混合高斯背景建模,运动检测。 建模函数是自己编写的,原理简单,便于学习,有详细注释。 处理视频是用笔记本摄像头实时采集的画面。
  • 网格缺陷检测高斯混合模型GMM)

    千次阅读 2018-12-26 10:21:52
    *此示例程序向您展示如何使用GMM分类器进行新颖性检测以执行Web检查任务。 要进行新奇检测, *计算属于单个训练类的所有像素,然后进行计算从分类ROI中减去以提取错误像素。 对于网络检查任务,GMM因此可用于检测...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 498
精华内容 199
关键字:

高斯混合模型检测