oalib

Publish in OALib Journal

ISSN: 2333-9721

APC: Only $99

Submit

Any time

2019 ( 104 )

2018 ( 1888 )

2017 ( 1858 )

2016 ( 2022 )

Custom range...

Search Results: 1 - 10 of 76276 matches for " 混合高斯模型 "
All listed articles are free for downloading (OA Articles)
Page 1 /76276
Display every page Item
医学图像的混合模型成份数估计
谢从华,宋余庆,陈健美,常晋义?
计算机科学 , 2010,
Abstract: 混合模型成份数估计是医学图像聚类分析和密度估计的关键。针对基于信息准则的佑计方法存在过拟合问题,提出了一种新的基于高斯混合模型特征函数的估计方法。首先定义医学图像高斯混合模型的特征函数,然后构造了一个基于特征函数的混合模型成份佑计准则,最后设计了该准则的实现算法。新的估计方法通过选择合适的参数调控对数特征函数,让惩罚函数起到平衡作用。模拟数据和真实数据实验表明,此方法确定的混合模型的成份数k比其他经典的信息准则方法确定的更合理,避免了医学图像的过拟合问题。
高斯噪声中的参数盲估计
王惠刚,李志舜
电子学报 , 2003,
Abstract: 盲信号处理方法中常忽略噪声的影响,而实际问题中噪声的影响是存在的.本文主要讨论了在协方差矩阵未知的加性高斯噪声中混合系数的盲估计问题.本文以最大似然估计为基础,提出一种求解参数的最优化算法,给出了混合矩阵和协方差矩阵的计算式.采用高斯混合模型(GMM)来逼近源信号的概率密度函数,简化了算法中的积分,导出了一种基于EM算法的迭代式.仿真表明,算法不仅能稳定收敛,而且在低信噪比下也能获得良好性能.
基于改进混合高斯模型的背景提取与更新
王丹,刘怀
南京师范大学学报(工程技术版) , 2015,
Abstract: 针对序列图像背景提取不能正确地处理场景突变、实时性差等问题,本文提出了改变更新率的背景提取算法.首先,对传统混合高斯模型进行了简化,其次对像素点划分区域,在不同区域采用不同的背景更新率,有选择性地进行背景更新.实验结果表明,该方法提高了提取背景模型的实时性和精度.
基于混合pso的高斯混合模型地形分类
韩光?,孙宁?,李晓飞?,赵春霞?
计算机科学 , 2014, DOI: 10.11896/j.issn.1002-137X.2014.08.061
Abstract: 提出了一种基于改进的混合粒子群优化(particleswarmoptimization,pso)算法的高斯混合模型地形分类方法。高斯混合模型的求解通常是使用期望最大化算法(expectationmaximization,em),然而em算法易陷入局部最优,收敛速度不稳定且对初值敏感。因此引入混合pso算法,并对其进行了一系列改进。实验结果表明:改进后的算法较其它优化算法提高了全局搜索能力和收敛速度,利用该算法求解高斯混合模型可以提高参数估计的精度,并且在户外场景图像的地形分类实验中所提出的地形分类方法也表现优良。
新型背景混合高斯模型
白向峰,李艾华,李喜来,李仁兵
中国图象图形学报 , 2011, DOI: 10.11834/jig.20110622
Abstract: 针对背景减除法中经典混合高斯模型计算量过大的问题,提出一种新的背景混合高斯模型。该方法利用偏差均值作为判断模型是否与当前像素值匹配的阈值参数,有效减少了经典模型中由于开平方及指数运算带来的庞大计算量;同时引入持续平稳时间的概念,采用非线性权值更新方法,能够使较长时间停留在场景中的物体迅速成为背景。实验结果表明,该方法显著提高了背景模型的计算效率。
一种用于运动目标检测的快速收敛混合高斯模型
焦波,李国辉,涂丹,汪彦明
中国图象图形学报 , 2008, DOI: 10.11834/jig.20081113
Abstract: 背景模型是交通监控视频中检测运动目标的一种常用方法。混合高斯模型在训练背景模型的过程中效果良好,但其收敛速度较慢。目前各种改进模型,只是提高其初始化的收敛速度;为了加快检测过程中背景改变时的收敛速度,必须实时检测背景是否发生改变,若改变,则需要对模型重新进行初始化。基于以上情况,提出了一种改进的混合高斯模型,该模型不需要重新初始化,避免了实时检测背景是否发生改变的多余步骤,实验结果明显著提高了检测过程中的收敛速度。
基于特征颜色模型的粒子滤波改进算法
郝志会,汪渤,孙抗
北京理工大学学报 , 2011,
Abstract: 针对在视觉跟踪任务中,当目标体的外形发生变化时,传统的粒子滤波算法在模型更新的过程中往往出现偏差并逐渐累积,最终导致跟踪性能降低的问题,作者通过挖掘目标体区别于背景的颜色信息,建立特征颜色模型,提出了一种改进算法.该算法首先使用粒子滤波进行粗定位,然后基于特征颜色模型分割目标.实验表明,作者提出的算法速度快,能够准确地跟踪目标的外观变化,对目标体的旋转和遮挡以及光线变化具有一定的鲁棒性,特别适合于跟踪行人和车辆等具有显著颜色的目标.
高斯混合模型云变换算法及其在图像分割中的应用
许凯,秦昆,刘修国,李登朝
武汉大学学报(信息科学版) , 2013,
Abstract: ?针对启发式云变换只能对一维特征进行变换的缺陷,提出一种基于高斯混合模型的改进云变换方法。通过em算法和高斯分布的拟合误差求解云模型的数字特征,抽取图像底层概念,从而实现图像分割。通过图像分割实验验证了该算法的有效性。
说话人识别中基于粒子群优化的GMM训练方法
Gaussian Mixture Model Training Method Based on Particle Swarm Optimizer for Speaker Recognition
 [PDF]

薛丽萍, 姚应龙, 王志强, 周虹
Software Engineering and Applications (SEA) , 2013, DOI: 10.12677/SEA.2013.21001
Abstract:

针对高斯混合模型(Gaussian Mixture Model, GMM)参数最优估计问题,常用的最大期望(Expectation- Maximization, EM)算法对初值敏感,在实际训练中极易得到局部最优参数,本文提出了一种GMM参数优化的新方法。将EM算法融入到粒子群优化(Particle Swarm Optimization, PSO)训练过程,形成了一种新的混合算法,利用PSO的全局探索和EM算法的局部深度搜索的混合策略,粒子在每次迭代中执行PSO速度位置更新和标准EM算法的混合更新操作,在训练语音矢量空间搜索最优高斯混合模型参数。从而避免传统EM算法陷入局部最优的缺点。说话人辨认实验表明,与EM算法相比,本文方法可以得到更优的模型参数,能有效提高系统的识别率。
Expectation-Maximization (EM) algorithm is usually used to estimate parameters of Gaussian mixture model. Due to the hill-climbing characteristic of EM, any arbitrary estimation of the initial model parameters will usually lead to a sub-optimal model in practice. To resolve this problem, a hybrid training method based on Particle Swarm Optimi- zation (PSO) is proposed. It utilizes the global searching capability of PSO and combines the effectiveness of EM. The particles perform basic operations of PSO (velocity updating and position updating) and EM algorithm, which can ex- plore the training speech space to move toward the global optimum. The dependence of the final model parameters on the selection of the initial model parameters is also reduced. Experimental results have showed that this method can obtain more optimized GMM parameters and has better capability than EM in speaker recognition.

Improved moving objects detection method based on GMM
改进的基于GMM的运动目标检测方法*

LI Gang,HE Xiao-hai,ZHANG Sheng-jun,GAO Ming-liang,
李刚
,何小海,张生军,高明亮

计算机应用研究 , 2011,
Abstract: Arming at the limitations of being effectively reflecting the background by the traditional Gaussian mixture background modeling (GMM) in some complex situations, this paper proposed an improved algorithm. This algorithm added updating and regression controlling factor to improve the parameter model, and limited residence time of moving objects quantitatively. The detection results were formed by background subtraction method with the background which was better to adapt to a rapidly changing environment and established in the time domain. Finally, applied the mathematical morphology for image post-processing in the space domain. Experiment results show that this algorithm, which is robust to detecting moving object under a scene of the fixed camera, can accelerate the establishment and the formation of the background and improve the anti-interference ability of external disturbance and effect of illumination efficiently.
Page 1 /76276
Display every page Item


Home
Copyright © 2008-2017 Open Access Library. All rights reserved.