搜索资源列表
PP
- 基于PCA与HIS模型的高分辨率遥感影像阴影检测研究Shadow detection in high resolution remote sensing images of PCA and based on HIS model-Shadow detection in high resolution remote sensing images of PCA and based on HIS model
abc
- 基于混合高斯模型背景建模法来检测运动目标-Gaussian mixture model-based background modeling method to detect moving targets
CQU-HUOZAIJIANCE
- 基于MFC制作的火灾检测模拟系统，可以接入摄像头来进行监控。用到了基于RGB的颜色模型，效果较好。-MFC-based simulation produced fire detection system, can access the cameras to be monitored. Use the RGB color model is based, is better.
gaosi1
- opencv代码，高斯混合模型，运动物体检测，效果还可以，对于初学者挺有用-moving object by opencv
gmm
- 混合高斯模型使用K（基本为3到5个） 个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点, 否则为前景点。通观整个高斯模型，他主要是有方差和均值两个参数决定，,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。由于我们是对运动目标的背景提取建模，因此需要对高斯模型中方差和均值两个参数实时更新。为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率 为提高在繁忙
ipiq
- ipiq谐波检测方法，模型供参考，基于matab/simulink 搭建。-ipiq harmonic detection methods, models for reference, based matab/simulink structures.
voc-release5
- 程序是在Linux下运行的，是基于可变形部件模型开发的MATLAB程序，目前是VOC较新版本，可用于车，人，鸟等等很多之类的检测。-the program is executed in the system of Linux, the programming language is matlab it was developed mainly based the mdoel of Deformable Part Model.
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
background-model4
- 提出了一种基于模型切换的背景建模方法(M SBM ).该方法以嫡图像为纽带, 实现了不同精细程度的背景模型在空间上的自适应选取和在时间上的自适应切换.对于亮度分布复杂度高的背景区域采用精细的模型以保证运动目标检测的精度,反之采用简单的模型以降低计算量 .通过模型结构自适应结合参数自适应, 很好地兼顾了检测精度和计算代价.墓于高斯混合模型和时间平均模型的双模型切换式运动目标检测算法被用于实验研究, 结果表明这种算法的检测效果和单独采用高斯混合模型的检测效果相当, 而计算速度却比后者提高很多-P
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
m
- 基于高斯模型，实现对运动目标检测，能够跟踪运动的目标-Based on the Gaussian model, to achieve the moving target detection, target tracking movement can
Fabricdefect-feature-extraction-main
- 分析了目前织物疵点自动检测研究中特征提取的3 种主要算法:灰度 直方图法、灰度共生矩阵法及小波变换法。对3 种算法做了详细介绍，给出了具体的模型和公式，对3 种算法的研 究现状进行了阐述，详尽列出了近期相关的主要工作和研究进展 -Analysis of the current automatic fabric defect detection feature extraction in the study of three main algorithms: grayOf three ki
MIMO
- 本文在介绍MIMO无线通信系统模型的基础上，通过对比分析几种常用空时编码方法，选定空时分组码对信号进行编码并建立瑞利衰落信道模型，通过对两发一收及两发两收系统的仿真，研究接收天线数对系统接收信号可靠性的影响。之后进一步扩展到不同发射矩阵条件下研究多发一收系统的频谱利用率及误符号率，分析不同天线数目，不同发射矩阵条件下空时正交分组码检测算法的性能。-This paper introduced the MIMO wireless communication system model, through
gesture
- 基于MATLAB 7.10.0 (R2010a) 用肤色模型、边缘检测、数学形态学等方法来初步实现对运动目标的检测-Based on MATLAB 7.10.0 (R2010a) with a color model, edge detection, mathematical morphology and other methods to achieve the initial detection of moving targets
rayleigh6mod
- reyleigh信道模型，该模型介绍了6种不同的建模方式，以及检测信道正确与否的方法，包括单径和多经-reyleigh channel model, which describes the six different modeling methods, and detection channel correctness of methods, including single-and multi-path by
9MATLABCHULIXIN
- 第9章共振峰的估算方法259 9.1预加重和端点检测259 9.1.1预加重259 9.1.2端点检测260 9.2倒谱法对共振峰的估算260 9.2.1倒谱法共振峰估算的原理260 9.2.2倒谱法共振峰估算的MATLAB程序261 9.3LPC法对共振峰的估算262 9.3.1LPC法共振峰估算的原理262 9.3.2LPC内插法共振峰的估算263 9.3.3LPC求根法共振峰的估算266 9.4连续语音LPC法共振峰的检测268 9.4.1简