|
|
题目：
雅宝题库答案：
****此区域为收费内容**** 需支付 1 知识币后可查看，1币=0.01元查看答案
雅宝题库解析：
“感知中国”的提出，使“智慧城市”的概念备受关注。智能视觉感知是“智慧城市”的六大感知要素之首。目标的行为感知则是智能视觉感知技术中最为关键的一个方面。由于目标行为感知的研究具有十分重要的理论意义和应用价值，因此，受到了越来越多研究者的关注。在视觉目标感知中，存在的很多非常困难且具有挑战性的研究课题，其中包括如何提供一个更具表达能力的特征和更高效的识别算法，从而改善目标检测的效果；如何通过分析视频的低中层特征来对目标行为进行分析，实现真正的智能视觉感知等都是现阶段亟待解决的题目。本论文针对上述题目，对目标行为感知中的视频特征提取，目标检测，目标聚类和目标行为分析四个方面进行了深入的研究。具体研究内容包括：1. 视频特征的研究。视频特征的好坏将直接影响到目标检测和跟踪的结果。因此在特征生成阶段设计构造更具表达能力的特征，是非常有意义的。论文通过对现存视频特征优缺点的分析，提出了空间相关矩阵特征SDM。该特征不仅使用了与物体相关的一阶特征，还利用了目标子特征之间的相对位置，并可以对物体的不同位置的重要性进行定义。该特征具有较强的空间表达能力，同时它是可伸缩、可扩展的，且兼容传统的Haar特征。2. 目标检测算法的研究。AdaBoost目标检测算法是现阶段使用最广泛的目标检测算法之一。传统的AdaBoost算法的一个主要的题目就是特征选择速度慢，且选出的特征中有一部分是冗余特征，这些特征将可能影响AdaBoost算法的检测准确度。针对上述题目，论文提出了基于权重的冗余特征消减AdaBoost算法AdaBoostWrea。其核心思想是，为候选特征集也建立一个与训练样本的权重向量类似的权重分布向量，在每轮boosting结束后重新调整每个特征的权重，如果某些候选特征的权重超过限定的阈值则放弃这些特征。实验表明这种方法与传统的AdaBoost相比，能够保留那些更具分辨力且相互独立的特征，在提高分类预测精度的同时，又能够减少计算复杂度，增强学习效率，加快了训练速度。3. 目标聚类题目的研究。目标聚类是行为分析的前提和基础。利用跟踪得到的轨迹数据对目标轨迹进行聚类从而判断新加入目标的行为，是一种常见的行为分析的方法。为了得到更准确的目标轨迹聚类结果，提出了一种基于有向截尾均值距离（简称DTMD）和长度相关比（简称LCP）的轨迹层次聚类算法并利用聚类结果对轨迹的分布模式进行了提取。首先通过分析轨迹的特点，给出有向截尾均值距离（DTMD）的相似性度量尺度的定义。该度量方法利用轨迹上的点与起始点的关系，得到轨迹的走向，有效的聚类不同方向的轨迹，并利用截尾均值降低噪声对轨迹聚类的影响，提高相似性尺度的自适应性。然后以DTMD作为轨迹相似性的量度，以长度相关比（LCP）规则作为层次聚类的类间距离度量规则，对轨迹进行聚类。实验结果表明，相似性度量方法DTMD和LCP规则作为类间距离度量规则的轨迹层次聚类算法具有较强的适应性。该方法可以有效的降低噪声等干扰因素对轨迹聚类的影响，提高轨迹聚类的速度。对于较复杂交通场景中的车辆轨迹聚类也同样具有较高的准确性。4. 目标的行为分析研究。基于增量贝叶斯模型的自适应行为分析和识别算法是一种无监督的行为分析方法。该方法利用轨迹作为行为分析的特征。首先利用少量的轨迹数据样本和双重层次狄利克雷过程，估计行为参数，建立初始的行为模型，给出初始的行为聚类。然后，利用建立起来的模型判断新加入样本所属的类别，并利用信息熵原理判别样本对类别辨识的贡献。随着样本数量的增多，建立的行为模式模型越接近真实的行为模式分类。实验结果表明，该方法克服了手工标定带来的耗时和费力的缺点，能够根据实际环境动态的调整行为模式的分类，对轨迹的正常和异常行为做出准确的判断。 |
上一篇：三维产品模型制造精度自动化分析原理与算法研究下一篇：私募股权投资交易主体利益平衡的法律机制研究
|
发表于 2022-8-2 14:14:53
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
QQ登录
