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:摘要随着社会的发展,我国的电力系统的发展也有了很大的进步。在电力营销过程中,需要对用户的用电需求信息进行针对性的分析和筛选,结合统计分析方法进行电力用户的用电需求信息特征规律性分析,提取用电需求信息的关联特征量,从而指导电力营销部门制定针对性的营销策略,并实现电力输送和配电优化。因此,研究电力营销系统用电需求信息的特征分析和统计分析方法,建立电力营销系统用电需求信息的特征提取模型,对提高电力营销系统的智能管理能力和输电配电的稳定性方面具有重要意义,相关的信息提取和特征分析方法研究受到人们的极大重视。电力营销系统用电需求信息采用的分布式的异构数据存储设计,结合云存储技术存储在电力系统中,通过对用电需求信息的自动提取,结合特征分析方法进行用电需求信息的模式辨识,提高电力营销系统用电需求信息的统计分析能力,传统方法中,对电力营销系统用电需求的提取方法主要有描述性统计分析方法、解释变量统计分析方法、时频特征分析方法和谱特征分析方法等,对用电需求信息的数据流进行分布式结构重组,提取电力营销系统用电需求信息的平均互信息特征量,结合关联规则模糊配对方法进行大数据融合,提高信息提取能力,但上述方法在进行大规模的电力营销系统用电需求信息提取中的自动配对性能不好,计算开销较大。