搜索资源列表
0-9(Speech-Recogenition)用matlab仿真0到9十个数字的语音识别
- 用matlab仿真0到9十个数字的语音识别 1、对语音的WAV文件和LAB文件进行处理，产生十个文件，每个文件对应于一个数字，存贮着该数字的波形文件。（shujuzhengli.m） 2、分别利用上面十个文件训练出十个HMM模板，具体方法是：首先将语音的波形文件分帧，以128个点为一帧，帧移为64，每一帧通过mfcc.m计算出13个系数，随着波形的长度不同，一个语音文件可以计算得到13*N个系数，截取13*15的矩阵（mfcc系数）用作训练数据。一般一个HMM模板用20组mfcc系数
EM
- EM算法介绍及Matlab演示代码(一维和多维高斯混合模型学习算法)-Introduction of EM algorithm and Matlab codes that implement the algorithm
VariableWeightMRMRF
- 基于变权重MRF的图像分割算法，特征场是使用混合高斯模型，标记场使用Pott模型，基于迭代条件模式进行分割-MRF based on weighted image segmentation algorithm, feature field is the use of Gaussian mixture model, using the tag field Pott model segmentation based on iterative model conditions
IGMM
- 基于混合高斯的运动目标检测程序已经相应的文章！非常值得借鉴！-Gaussian mixture-based moving object detection procedures have been the appropriate article! Well worth learning!
mixture_of_gaussians
- 基于混合高斯模型的背景减除算法实现。matlab代码。-Gaussian mixture model-based background subtraction algorithm. matlab code.
xiaobo
- ．首先，建 立背景的混合高斯分布模型和阴影颜色模型，通过差分法提取前景区域并结合Gabor小 波纹理特征分析找出潜在的阴影点；然后通过阴影颜色模型对这些潜在的阴影点进行颜 色分析；最后通过后续处理，找出真正的阴影区域-. First of all, to establish the background Gaussian mixture distribution model and the shadow color model, by differential extraction
1
- 在基于视觉检测方式的泊位自动引导系统中,从序列图像中提取泊位飞机,检测泊位飞机的阴影区域,是泊位系统实现的关键。基于高斯混合模型的背景分割算法被广泛应用于静态背景分割中,但是该算法在处理高分辨率图像时,算法实时性显著下降 分割体积大而且运动缓慢的物体时,容易产生“拖尾”现象 不能检测出运动物体的阴影区域。为此提出了基于分层图像的改进高斯混合模型背景分割算法,有效地克服了算法实时性差和“拖尾”现象。在此基础上,提出了基于色彩特征和区域特征相结合的阴影检测算法,利用部分空间约束信息,检测出运动物体的
SiftGPU-V360
- SiftGPU 是SIFT特征为GPU执行。 SiftGPU进程像素平行建立高斯金字塔的技术要点。基于GPU的清单生成，SiftGPU然后使用的GPU / CPU的混合方法，有效地建立紧密特征点的名单。并行处理技术要点最后得到他们的方向和描述。-SiftGPU is an implementation of SIFT for GPU. SiftGPU processes pixels parallely to build Gaussian pyramids and detect DoG Key
mixture_of_gaussians
- 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。-training video with GMM model ,then get the background,and store the picture in your computer.
mutitarget-tracking
- 4篇文章：Multiple Object Tracking Using K-Shortest Paths Optimization；Moving target classification and tracking from real-time video；高斯混合概率假设密度滤波器在多目标跟踪中的应用；基于特征迹的密集多目标自适应视频跟踪-4papers:Multiple Object Tracking Using K-Shortest Paths Optimization；Moving ta
EM-GMM
- 利用EM算法实现高斯混合模型的优化，完成特征建模-Use of EM Algorithm to to achieve the the the optimization of of the Gaussian mixture model, to complete the Feature Modeling
GMM-recognition
- 使用高斯混合模型（GMM），对声音信号进行识别，包括对特征参数的采集、训练和识别过程-Using the Gaussian mixture model (GMM)to realize the recognition of the sound signal, including the acquisition of the characteristic parameters,the training and the recognition process
tracking
- 视频的运动目标跟踪，目标可自行框定选择。采用MeanShift、纹理特征及混合高斯模型等融合的方法。目标跟踪效果非常好，尤其运动速度较快情况，以及人物间遮挡情况。-Video moving target tracking, the goal of self-framed choice. Of MeanShift, texture feature and mixed Gaussian model fusion method. Target tracking performance is very
5
- 了适应跟踪过程中目标光照条件的变化，并对目标特征进行在线更新，提出一种将局部二元模式(LBP) 特征与图像灰度信息相融合，同时结合增量线性判别分析对目标进行跟踪的算法．跟踪开始前，为了获得比较准确的目标描述，使用混合高斯模型和期望最大化算法对目标进行分割；跟踪过程中，通过蒙特卡罗方法对目标区域和背景区域进行采样，并更新特征空间参数．得到目标和背景的最优分类面；最后使用粒子滤波器结合最优分类面对目标状态进行预测．通过光照变化的仿真视频和自然场景视频的跟踪实验，验证了文中算法的有效性．-Trac
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
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
speech-emotion-recognition
- 过特定人语音情感数据库的建立；语音情感特征提取；语音情感分类器的设计，完成了一个特定人语音情感识别的初步系统。对于单个特定人，可以识别平静、悲伤、愤怒、惊讶、高兴5种情感，除愤怒和高兴之间混淆程度相对较大之外，各类之间区分特性良好，平均分类正确率为93.7 。对于三个特定人组成的特定人群，可以识别平静、愤怒、悲伤3种情感，各类之间区分特性良好，平均分类正确率为94.4 。其中分类器采用混合高斯分布模型。-The system of speech emotion recognition
hunhe
- 采用多个高斯分布的方式来描述背景像素点的特征，在线地更新参数和权重，实现运动检测和前景提取的同步进行，即采用混合高斯背景算法进行建模，以降低动态背景的干扰。(The characteristics of the background pixel are described by several Gaussian distributions, and the parameters and weights are updated online. Synchronization of motion d
BeiJingFenLi2
- 混合高斯背景建模进行背景分离，在实行膨胀腐蚀操作提取运动目标特征(Mixed Gaussian Background Modeling for Background Segmentation, Extraction of Moving Target Features During Erosion Operation)
S1IM159.【已完成】基于SVM的烟雾识别系统
- 基于SVM的烟雾识别系统 运动区域提取使用的是 自适应混合高斯背景建模 特征算法使用的是 HOG+LBP 机器学习方法使用的是 scikit的SVM(Smoke recognition system based on SVM The moving region extraction uses adaptive Gaussian mixture background modeling feature algorithm, hog + LBP machine learning method