液晶与显示
液晶與顯示
액정여현시
CHINESE JOURNAL OF LIQUID CRYSTALS AND DISPLAYS
2013年
4期
641-648
,共8页
王灿进%孙涛%王挺峰%陈娟
王燦進%孫濤%王挺峰%陳娟
왕찬진%손도%왕정봉%진연
轮廓片段%K-mediod聚类%匹配代价%神经网络
輪廓片段%K-mediod聚類%匹配代價%神經網絡
륜곽편단%K-mediod취류%필배대개%신경망락
contour fragments%k-mediod clustering%matching cost%neural network
为了实现威胁源自动报警,使用BP神经网络构建自动报警系统.针对帧差法提取出的目标轮廓有重复和受变化背景影响的问题,提出了一种基于轮廓片段的目标特征提取方法.首先使用k-mediod聚类以剔除重复轮廓,再结合轮廓片段生长的方法,计算待识别轮廓和验证图片集的匹配代价以剔除背景轮廓,提取出匹配代价最小的轮廓生成轮廓片段字典.随后计算归一化的轮廓矩生成特征向量.最后将提取出的特征向量输入事先训练生成的BP神经网络进行分类.实验结果表明,算法适用于典型刚性目标识别,对于实验视频中枪支的平均识别率达到93.5％,单帧平均运算时间3.67 ms；对于Berkeley运动分割数据集中车辆的识别率达到98.2％,单帧平均运算时间5.26 ms.算法具有高实时性、高准确率的特点.
為瞭實現威脅源自動報警,使用BP神經網絡構建自動報警繫統.針對幀差法提取齣的目標輪廓有重複和受變化揹景影響的問題,提齣瞭一種基于輪廓片段的目標特徵提取方法.首先使用k-mediod聚類以剔除重複輪廓,再結閤輪廓片段生長的方法,計算待識彆輪廓和驗證圖片集的匹配代價以剔除揹景輪廓,提取齣匹配代價最小的輪廓生成輪廓片段字典.隨後計算歸一化的輪廓矩生成特徵嚮量.最後將提取齣的特徵嚮量輸入事先訓練生成的BP神經網絡進行分類.實驗結果錶明,算法適用于典型剛性目標識彆,對于實驗視頻中鎗支的平均識彆率達到93.5％,單幀平均運算時間3.67 ms；對于Berkeley運動分割數據集中車輛的識彆率達到98.2％,單幀平均運算時間5.26 ms.算法具有高實時性、高準確率的特點.
위료실현위협원자동보경,사용BP신경망락구건자동보경계통.침대정차법제취출적목표륜곽유중복화수변화배경영향적문제,제출료일충기우륜곽편단적목표특정제취방법.수선사용k-mediod취류이척제중복륜곽,재결합륜곽편단생장적방법,계산대식별륜곽화험증도편집적필배대개이척제배경륜곽,제취출필배대개최소적륜곽생성륜곽편단자전.수후계산귀일화적륜곽구생성특정향량.최후장제취출적특정향량수입사선훈련생성적BP신경망락진행분류.실험결과표명,산법괄용우전형강성목표식별,대우실험시빈중창지적평균식별솔체도93.5％,단정평균운산시간3.67 ms；대우Berkeley운동분할수거집중차량적식별솔체도98.2％,단정평균운산시간5.26 ms.산법구유고실시성、고준학솔적특점.
