共查询到20条相似文献，搜索用时 15 毫秒
1.
2.
《安徽农业科学》2020,(16)
借助计算机视觉技术研究鱼类行为已逐渐成为热点课题,该技术模拟生物视觉原理,通过处理采集的图片或视频获得动态目标参数信息,以达到对鱼类游泳行为监测分析的目的。利用传统的Vibe算法进行鱼类游泳行为监测会出现消除鬼影需要消耗大量视频帧,存在水面波纹的动态背景下运动目标的检测结果不准确的问题,因此提出了一种改进的Vibe算法。针对消除鬼影需要消耗大量视频帧,提出利用层次遍历搜索算法对目标图像进行标记并计数方法来自适应调整背景更新概率以实现快速消除鬼影。针对存在水面波纹的动态背景下运动目标的检测结果不够精确,提出基于LBP和HSV去除水面波纹以提高检测精度。 相似文献
3.
针对视频监控系统中,复杂环境引起摄像机抖动,造成运动目标检测不准确的问题,提出了一种基于分区灰度投影稳像的运动目标检测算法.首先对每帧图像进行分区,利用分区灰度投影算法对图像各分区的运动矢量进行准确提取和相关性分析,进行抖动判断,并对抖动帧进行运动补偿.然后利用高斯混合背景建模算法进行运动目标提取.最后对目标提取结果进行形态学处理,以进一步提高目标提取的精度.实验结果表明,本文算法较好地消除了场景中运动目标对运动矢量计算的干扰,实现了在摄像机抖动视频场景中的运动目标的准确检测和提取,大大降低了抖动视频目标检测的虚警率. 相似文献
4.
目的 针对传统混合高斯模型前景检测运算量过大问题,提出一种基于空间约束的混合高斯前景检测算法。方法 通过快速初始化缩短模型的初始建立过程;采用双重背景模型机制,以自适应背景减法的前景检测结果作为混合高斯前景检测的空间约束条件,降低模型在背景区域的冗余运算;运用多策略自适应模型更新,提高前景检测的准确性。结果 在各种测试场景下,与传统混合高斯法、CodeBook、GMG、偏差均值混合高斯模型(MODGMM)等算法相比,该算法具有更好的准确率以及4倍以上的处理速度。结论 在固定相机场景下的运动目标检测中,算法能有效提高传统混合高斯法的准确性且具有极高的实时性。 相似文献
5.
基于混合高斯模型融合背景减差的猪只运动跟踪 总被引：1，自引：0，他引：1
由于猪是非刚性目标且猪场情况复杂多变,利用混合高斯模型自适应背景建模强的特点,对猪进行目标提取与跟踪。由于猪目标会长时间静止,导致融入背景后无法检测,本研究采用背景减差法在一定程度上予以补偿,使静止的猪目标不会跟踪丢失,之后在HSV颜色空间下,利用其对光照不敏感的特点对检测出的猪目标进行阴影消除,以提高跟踪精度。最后,在猪耳设定颜色标记并利用满水填充法,解决多个猪目标交错及相互靠近后分离运动时产生的跟踪错误和丢失跟踪目标的问题。经对比经典Cam-Shift跟踪算法,本方法跟踪效果良好,精度较高,为生猪健康研究提供了重要依据。 相似文献
6.
针对深度学习群猪目标检测算法精确度低和模型占用内存大等问题，提出基于Transformer与自适应空间特征融合的群猪目标检测算法。搭建群猪图像采集设备，以视频帧作为数据源，提取关键帧并剔除模糊图像，采用Labelme标注图像中猪只，建立群猪图像数据集；将Swin Transformer网络作为主干网络，在FPN后引入自适应空间特征融合方法作为特征融合网络；提出RIoU作为预测框回归损失计算方法。结果表明，该算法在精确率、召回率、F1值和平均精确率指标方面分别达到93.6%、97.2%、0.953、96.5%，检测速度为34.9 Hz且模型大小仅为20.6 MB，与YOLOv4相比上述指标分别提高1.5%、1.7%、1.6%、2.4%，模型占用内存量缩小12.5倍，检测速度提高13 Hz。研究有助于智能化猪场建设，为养殖场动物计数和行为识别等方面提供技术支持。 相似文献
7.
本文对视频图像中运动目标的检测与提取的算法进行了研究,并在计算机上做了仿真.本文采用背景差分法,针对序列图像首先建立了基于高斯统计模型的背景模型,然后用差分法提取运动目标,用形态学滤波去除噪声.仿真结果表明,算法是有效的,能够得到较好的结果. 相似文献
8.
《农业工程技术:农产品加工》2016,(9)
目标提取是使用视频分析进行奶牛行为自动感知的基础工作。牧场环境中采集的视频易受复杂背景的干扰,导致难以从视频中检测出奶牛目标,对后续图像处理操作影响较大。本研究提出一种基于背景减去法的运动目标精确检测方法。首先使用帧间差值法计算奶牛外接矩形,以提取每帧图像中的局部背景,并对其进行拼接以得到视频序列中的整体背景。然后利用奶牛外接矩形确定身体区域的位置和大小,并使用身体区域的二值图像对其进行跟踪。以每帧图像中的身体区域作为基准,对RGB通道的求和分量权重进行实时调整,以提高背景与目标之间的对比度。最终实现目标与背景的差异最大化,并进行背景减去以提取目标。对129段视频进行目标检测,结果表明本文算法的目标检测精度为88.34%,较传统背景减去法高出24.85个百分点。试验结果表明,本文算法能够精确实时地检测牧场环境中的行走奶牛,不仅提高了检测率,同时扩展了背景减去法的应用范围。 相似文献
9.
提出一种视频运动目标分割的改进算法,算法混合使用背景减算法和帧间差分算法,充分利用了两种典型算法的优点,并改进了其缺陷,解决了背景减算法的背景合理更新及帧间差分算法分割不完整问题.实验结果表明：该算法简单,速度快,易于硬件实现. 相似文献
10.
11.
参数辨识是负荷建模的关键之一,针对遗传算法本身存在的缺陷,提出一种综合改进的遗传算法.该算法通过初始种群选择、最优个体保留、自适应交叉和变异率等方面进行综合设计,有效地避免了早熟和近亲繁殖,提高了收敛速度.建模实践表明,所提的综合改进遗传算法可加速收敛,缩短辨识时间,同时提高了拟合精度,克服了参数的分散性,是一种适合于负荷建模参数辨识的优化算法. 相似文献
12.
目的 在复杂背景下,传统模型匹配的跟踪方法只考虑了目标自身特征,没有充分考虑与其所处图像的关系,尤其是目标发生遮挡时,易发生跟踪漂移,甚至丢失目标。针对上述问题,提出一种前景判别的局部模型匹配(FDLM)跟踪算法。方法 首先选取图像帧序列前m帧进行跟踪训练,将每帧图像分割成若干超像素块。然后,将所有的超像素块组建向量簇,利用判别外观模型建立包含超像素块的目标模型。最后,将建立的目标模型作为匹配模板,采用期望最大化(EM)估计图像的前景信息,通过前景判别进行局部模型匹配,确定跟踪目标。结果 本文算法在前景判别和模型匹配等方面能准确有效地适应视频场景中目标状态的复杂变化,较好地解决各种不确定因素干扰下的跟踪漂移问题,和一些优秀的跟踪算法相比,可以达到相同甚至更高的跟踪精度,在Girl、Lemming、Liquor、Shop、Woman、Bolt、CarDark、David以及Basketball视频序列下的平均中心误差分别为9.76、28.65、19.41、5.22、8.26、7.69、8.13、11.36、7.66,跟踪重叠率分别为0.69、0.61、0.77、0.74、0.80、0.79、0.79、0.75、0.69。结论 实验结果表明,本文算法能够自适应地实时更新噪声模型参数并较准确估计图像的前景信息,排除背景信息干扰,在部分遮挡、目标形变、光照变化、复杂背景等条件下具有跟踪准确、适应性强的特点。 相似文献
13.
小样本目标检测旨在通过少量样本实现对图像中目标的识别和定位。目前针对柑橘缺陷的小样本数据集进行的检测较少,本文提出了使用数据增强和迁移学习来对小样本柑橘的缺陷类型进行检测的方法,采用旋转、裁剪和高斯模糊进行数据增强来扩充数据集,与使用迁移学习方法进行对比。实验表明：迁移学习方法中最优算法是FRCN ft-full,基于该算法的20-shot任务的mAP值为67.823%;在基于数据增强的方法中使用Faster R-CNN算法的mAP值达到了84.7%,使用YOLOv8算法的mAP是85.3%,YOLOv8算法略优于Faster R-CNN算法。迁移学习方法增强了检测模型的泛化能力,加快了模型的收敛速度;数据增强方法有效扩充了数据集,提升了小样本柑橘缺陷检测模型的准确性。 相似文献
14.
[目的]针对育肥猪采食行为识别误差大、检测速度慢等问题，提出一种具有轻量化结构的育肥猪采食行为检测模型，实现对育肥猪采食行为的快速检测与采食时长统计。[方法]以YOLO v5L目标检测算法为基础，构建侧视视角下的猪只采食行为检测模型。对比更换不同轻量化主干网络后对模型检测效果的影响，选取性能最优的模型；改进ShuffleNet V2网络结构基本单元，采用Mish激活函数提高模型泛化能力与推理速度，引入SE注意力机制给予目标特征更高的权重以提高目标识别精度；对比分析模型增加非营养性访问行为检测前、后的采食行为识别准确率。[结果]优化后的育肥猪采食行为检测模型大小为38.2 MB,计算量为37.8 GFLOPs,视频检测平均帧耗时7.6 ms。与非营养性访问行为进行区分识别后，猪只采食行为检测识别准确率为96.4%,召回率为92.5%。模型检测采食时长与人工统计采食时长相对误差为6.1%。[结论]改进的YOLO v5L-ShuffleNet网络模型检测速度和模型大小均能满足实际生产需求，可在复杂养殖环境中全天候识别育肥猪采食行为。 相似文献
15.
为了更好地了解豪猪的习性,提高豪猪人工养殖技术水平,本文设计了基于一种视频图像分析的圈养豪猪检测及基本行为识别方案。首先通过混合高斯模型背景建模法,对圈养豪猪养殖环境进行背景建模,标记出场景中的豪猪及其他运动物体轮廓,采用分类算法对识别出的轮廓进行分类,对豪猪的识别准确率达到86.34%;为了进一步提高准确率,引入图像局部特征ORB关键点作为分类属性,使豪猪的识别准确率提升到93.23%;在此基础上,以饲养池结构及豪猪活动实际情况为判断依据建立圈养豪猪行为识别模型,实现了对豪猪静息、进食、饮水、排泄、啃咬铁门及水槽等7种基本行为的识别。 相似文献
16.
提出了一种包含区域信息的Snake模型用于运动目标检测与跟踪。在通常情况下,基于区域信息的跟踪方法对背景光线的微小变化、位置的微小移动较为敏感,而基于边缘信息的跟踪方法则难以对边缘模糊的图像取得满意的跟踪效果。在算法中同时引入这两种信息,边缘信息使得算法快速而鲁棒性好,区域信息可以对边缘模糊的图像取得正确的跟踪效果。使用双差分图像设计了自动初始化的方法来实现视频的自动跟踪。同时,对目标的下一步运动位置增加了一个预测环节来加快主动轮廓模型的收敛速度。该算法的每帧计算时间一般小于0.1S,能应用于实时系统。 相似文献
17.
为解决当前流行的目标检测模型对自然环境下百香果由于目标密集互相遮挡所致的检测效率低等问题,以YOLOv3网络为基础,提出了一种基于增强的YOLOv3百香果目标检测算法。首先,针对百香果目标尺寸的特点,利用以交并比为距离度量的改进K-means++算法,重新获取与目标果实相匹配的锚选框,提高对目标的框选精度以及模型的收敛速度;其次,在输出网络中将用来筛选目标预测框的Soft-NMS算法通过线性函数的形式对其高斯函数的抑制参数进行改进,以提高模型在不同密集场景下的适应性和检测能力;最后,利用增强的YOLOv3模型在经过预处理后的百香果数据集上进行多次试验对比,结果表明增强后的YOLOv3目标检测算法平均精度均值（mAP）达到94.62%,F1值达到94.34%,较原YOLOv3算法分别提升了4.58和3.68百分点,平均检测速度为25.45帧/s,基本满足了自然环境下百香果目标检测的精准性和实时性要求。 相似文献
18.
森林火灾检测是国内外林业应用研究的重要课题之一。及时准确地检测到森林火灾,对于森林健康及环境安全意义重大。现有的利用视频技术检测森林火灾的方法大多针对单一波段,如可见光波段或红外波段的视频信息进行分析,然而在实际应用过程中,由于森林环境复杂,基于单一波段视频信息检测火灾的结果欠佳。现阶段,基于多个波段的森林火灾检测方法非常少。本文综合利用红外及可见光视频特征,提出了一种基于分数阶微分视频融合的森林烟火检测算法,将分数阶微分理论引入红外视频和可见光视频融合中,利用分数阶微分算子对两个波段视频进行融合,然后利用背景去除法检测融合视频中的异常帧,且对异常帧图像及其与背景帧的差分图像分别进行图像分割,最终得到检测出的森林烟火区域。采用空间频率、平均梯度、森林火灾检测准确率和森林火灾检测时间误差度4个测度对本文算法和基于区域能量融合算法、基于窗口方差融合算法、基于HSI变换融合算法进行定量分析和比较。结果表明,本文算法的融合视频的融合效果最佳,并且森林火灾检测准确率和森林火灾检测时间误差均明显优于其他3种算法,说明本文提出的算法具有较好的有效性和准确性,为森林火灾检测提供了有利的新途径。 相似文献
19.
智能监控的实现是避免和防范变电站内各种潜在危险的一种有效途径.为了更准确判定变电站工作人员的运动状态,提出一种基于高斯混合模型结合马尔可夫随机场的运动物体检测方法.在图像的HSV颜色空间通过混合高斯背景建模实现对运动物体的初步检测,采用区域性马尔可夫随机场与运动物体模板匹配实现运动物体的精确检测,并根据模板去除存在的阴影.结果表明,该方法可在变电站不同背景条件下有效检测出运动物体,为运动物体的行为分析及运动场景拼接奠定了良好的基础. 相似文献
20.
基于矢量量化的猪咳嗽声识别 总被引：2，自引：0，他引：2
针对猪的规模化养殖中频发的呼吸道疾病问题,提出通过监测咳嗽状况对猪的健康状况进行预警,以谱减法去噪和端点检测为猪咳嗽信号主要预处理方法,以矢量量化(vector quantization,VQ)匹配算法为核心算法,分别构建基于标准梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)和改进的MFCC 2种猪咳嗽声识别模型。测试结果显示,以标准MFCC为特征矢量构建的识别系统的识别率、误判率和综合识别率分别达到88%、14%和87.3%,基于改进的MFCC特征矢量构建的识别系统与之相比有很大提高,其识别率、误判率和综合识别率分别达到91%、12%和90.0%。试验表明,采用改进的MFCC与矢量量化相结合构建猪咳嗽识别系统是可行的,能够应用于猪的呼吸道疾病预警。 相似文献