简介:对含有动、静态背景的稳定图像处理时,对比了主成分追踪鲁棒主成分分析法(RPCA)、贝叶斯鲁棒主成分分析法(BayesianRPCA)和高斯混合模型的鲁棒主成分分析法(MoG-RPCA),3种方法对静态背景下的前景提取都较为完整.而动态背景下只有BayesianRPCA和MoG-RPCA提取出了完整的前景目标,但是BayesianRPCA计算速度很慢,且不能够处理复杂噪声.所以MoG-RPCA模型更具有对复杂噪声的适应性,动、静态背景情况下均提取出精度较高的前景目标,且具有较快的计算速度.当图像不稳定时,采用改进的MoG-RPCA模型对非稳定拍摄的抖动视频进行前景目标提取,并在第197帧抖动图像中清晰地提取出显著前景目标,且运算速度较快.在为了快速找到目标出现的帧时,对高斯混合模型背景差分法进行改进,利用K-means聚类算法快速得到聚类中心点,然后作为高斯混合模型背景更新时的初始化均值参数,从而提高在复杂场景下前景目标的检测精度.对于多角度追踪任务,不同角度、近似同一地点的多个监控视频图像中前景目标的提取,可采用跨摄像头视角跟踪结果融合的方法,然后对目标进行匹配.
简介:对算子T的Bishop性质(β)进行“局部化”,得到T的新的集值函数A(T),E1(T),E2(T),C1(T),Cx(T),并讨论它们之间的相互关系以及它们与T的谱结构的关系.借助这些新概念我们得到算子的可分解性与次可分解性的新的充要条件和谱特征.
简介:利用对称内积的Schmidt正交化方法证明了各阶主子式不为零对称阵的LDLT分解.引入两个向量组关于弱内积广义正交的概念,并构造了将两组含相同个数向量的线性无关组化为广义正交组的广义Schmidt正交化方法.最后应用这一方法证明了各阶主子式不为零矩阵的LDU分解及一些相关的结果.