导读:本文包含了混合高斯模型论文开题报告文献综述、选题提纲参考文献，主要关键词:模型,高斯,卷积,目标,算法,邻域,特征。
混合高斯模型论文文献综述写法
范超男,李士心,张海,郭荣[1]（2019）在《基于改进的混合高斯模型运动目标检测算法研究》一文中研究指出采用传统混合高斯模型(GMM)进行监控视频内运动目标检测时,检测结果受光照、阴影影响较大,且运算速度慢,针对这一缺陷,提出了一种改进的GMM和阴影抑制相结合的运动目标检测算法。该算法通过对GMM添加平衡系数、合并冗余高斯分布,完成自适应改进,利用2级学习率αh和αl的设置提升背景建模精确率度,经霍特林变换完成阴影抑制,得到轮廓清晰的运动目标。仿真实验结果显示:改进的算法克服了传统GMM在动态背景下检测精度低的缺陷,提高了算法的实时性和准确性,解决了光照变化、环境噪声等因素引起的误检、漏检问题。(本文来源于《天津职业技术师范大学学报》期刊2019年04期）
吕苗苗,孙建明[2]（2019）在《基于改进高斯混合模型的运动图像目标检测算法》一文中研究指出运动图像目标检测指的是从序列图像中将变化的目标从背景中分离出来,高斯混合模型可以对视频序列图像的前景和背景进行分类,再利用背景减除实现运动目标的检测。提出一种基于改进高斯混合模型的优化背景建模方法,该方法首先利用3×3模板对序列图像帧中的像素进行类似卷积的均值计算,然后利用相邻均值的差提取均差因子自适应更新图像的均值。在此基础上,设计了自适应学习率和学习速率,利用改进高斯混合模型实现序列图像的背景建模。改进模型不仅能有效减少数据计算量,同时可以降低在相似区域像素计算的时长,大大加快背景建模速度。实验结果表明,改进模型在目标检测、算法执行速率等性能指标上都有更好的表现,能满足实时检测要求。(本文来源于《半导体光电》期刊2019年06期）
周逸飞,朱星,刘文德[3]（2019）在《基于声发射和高斯混合模型的灰岩破裂特征识别研究》一文中研究指出通过单轴压缩条件下灰岩破裂过程的声发射试验研究,利用高斯混合模型(GMM)对加载过程声发射信号波形特征进行深入分析,探索性识别灰岩破裂失稳过程的裂纹模式及其前兆特征。分析结果表明,灰岩在单轴加载过程中先后主要存在张拉和剪切两种破裂模式。其中,张拉破裂的声发射信号波形特征在AF-RA坐标空间呈现低A_F值、高R_A值分布;剪切破裂的声发射信号波形特征在AF-RA坐标空间呈现低R_A值、高A_F值,且随着应力的增加分布中心向A_F轴靠拢。GMM分析结果揭示了灰岩在整个应力加载过程中以张拉裂纹为主,在加载前中期几乎全为张拉裂纹,临近破坏阶段过渡到剪切破坏为主。剪切裂纹所占比例的最大值出现在(0.8～0.9)σ_c阶段,也是AF-RA坐标轴分布呈现最大A_F值时。研究结果可为预测早期灰岩破裂失稳提供参考,同时为深入研究识别岩石破裂失稳前兆信号特征提供了一种分析方法。(本文来源于《水利水电技术》期刊2019年11期）
欧阳城添,汤懿[4]（2019）在《基于高斯混合模型的核相关滤波目标跟踪算法》一文中研究指出针对目标跟踪中的尺度变化、旋转、遮挡等问题,提出基于高斯混合模型的核相关滤波目标跟踪算法。利用卷积神经网络提取卷积特征并建立目标外观的高斯混合模型,利用核相关滤波算法检测目标位置,使用多尺度、多形状跟踪方法精确定位目标,在线更新高斯混合模型和核相关滤波器。在公开数据集上进行定量和定性分析,并与多种跟踪算法比较,该算法的距离精度和重迭精度相比核相关滤波算法,分别提高了19%、54%。实验结果表明,采用高斯混合模型和多尺度、多形状跟踪方法,较好解决了外观和尺度变化问题,相比其它算法具有更好的鲁棒性和适应性。(本文来源于《计算机工程与设计》期刊2019年11期）
陆华才,贺华展,黄宜庆,高文根[5]（2019）在《改进Canny边缘算子和高斯混合模型的运动目标检测》一文中研究指出在对视频中运动目标的检测,高斯混合模型能够达到较好的效果,但是容易受到光照突变和环境噪声的影响,并且运动目标完整的轮廓难以提取,在对Canny边缘检测算法进行改进,用中值滤波器和双边滤波器构成的混合滤波器代替边缘检测算法中固有滤波器,并且使用Otsu算法取代人工设置双阈值,避免丢失真实边缘,保证边缘信息的完整性,并且用隔帧处理的四帧差分法的到差分图像,获得运动目标区域,再利用高斯混合模型提取前景图像,结合两种算法的前景图像能够获得较完整的运动目标轮廓。根据实验结果分析,和传统的高斯混合模型相比,该算法能够避免一定的光照突变的影响,解决了目标图像出现空洞及漏检造成边缘信息丢失的问题,具有更强的鲁棒性。(本文来源于《电子测量与仪器学报》期刊2019年10期）
汪韧,郭静波,惠俊鹏,王泽,刘红军[6]（2019）在《基于卷积高斯混合模型的统计压缩感知》一文中研究指出高斯混合模型被广泛应用于统计压缩感知中信号先验概率分布的建模.利用高斯混合模型对图像的概率分布进行建模时,通常需要先对图像分块,再对图像块的概率分布进行建模.本文提出卷积高斯混合模型对整幅图像的概率分布进行建模.通过期望极大化算法求解极大边缘似然估计,实现模型中未知参数的估计.此外,考虑到在整幅图像上计算的复杂度较高,本文在卷积高斯混合模型和压缩测量模型中引入循环卷积,所有的训练和恢复过程都可以利用二维快速傅里叶变换实现快速运算.仿真实验表明,本文所提的MMLEconvGMM算法的恢复性能要优于传统的压缩感知算法的恢复性能.(本文来源于《物理学报》期刊2019年18期）
张宝一,陆浩,杨莉,李雪峰,黄岸烁[7]（2019）在《顾及梯度的高斯混合模型在叁维属性场空间聚类中的应用》一文中研究指出针对高斯混合模型(GMM)在空间聚类中由于忽视目标对象之间的空间关联性而导致的高误判率等问题,本文提出了一种顾及梯度的高斯混合模型:GMM-G,并将其应用在叁维属性场的空间聚类中。GMM-G用反映标量场最大属性变化方向的梯度因子来定义邻域规则,设定梯度正交平面所通过的邻域体元更倾向于与中心体元归属于相同或相近的类别;并据此设计了符合归一性和空间连续性的空间邻域信息函数,来定义中心体元属于各类别的具有空间领域规则约束的后验概率。通过对由蒙特卡洛随机抽样构建的实验场的空间聚类结果进行对比表明,相对GMM方法,GMM-G具有更优的聚类精度及效率。最后,把GMM-G方法用于红透山铜矿区可控源音频大地电磁法(CSAMT)叁维视电阻率场的空间聚类,得到了与已知岩性划分具有较高匹配度的分类结果,该方法可为物性属性场的岩性划分及地质推断提供相关的依据和参考。(本文来源于《地质找矿论丛》期刊2019年03期）
黄艳国,韩亮,张硕,许伦辉[8]（2019）在《基于高斯混合聚类模型的公交出行特征分析》一文中研究指出针对公交出行特征的传统数据分析方法人工成本大的问题,提出一种基于高斯混合聚类模型的公交出行特征分析方法。以公交IC卡刷卡数据、公交运行GPS数据及静态站点数据为基础,建立高斯混合聚类模型,对比节假日与通勤日公交出行特征差异。最后以深圳市某路公交为实例,仿真结果表明,节假日与通勤日公交出行在高峰时段分布与持续时间上具有显着差异,验证了高斯混合聚类模型在交通数据分析领域中的有效性,对公交运营与调度优化有一定的借鉴意义。(本文来源于《现代电子技术》期刊2019年16期）
何冰倩,魏维,宋岩贝,高联欣,张斌[9]（2019）在《融合时空兴趣点和多元广义高斯混合模型的人体动作识别》一文中研究指出人体动作识别近年作为计算机视觉领域的热点研究方向,被广泛用于人机交互、虚拟现实等领域。针对传统人体动作识别算法中提取特征时冗余点过多、忽略图像数据的关联性等问题,提出一种融合时空兴趣点和结合定点估计的多元广义高斯混合模型(MGGMMs)的人体动作识别方法,通过过滤冗余特征点和利用多元广义高斯混合模型实现了特征点的有效提取以及对数据关联性的充分利用。以改进的Harris-Laplace算法和3D-SIFT描述子提取视频序列的特征点,利用BOW模型进行视觉词聚类,最后通过改进的多元广义高斯混合模型进行建模和分类。在KTH公开数据集上进行实验,实验结果表明提出的人体动作识别方法能够对视频中人体动作进行有效识别和分类。(本文来源于《成都信息工程大学学报》期刊2019年04期）
刘辉,王亚楠[10]（2019）在《自适应变步长高斯混合模型的工业烟尘图像分割方法》一文中研究指出针对传统的高斯混合模型在进行背景建模时,参数是在固定帧值的基础上进行参数更新,导致烟尘检测不准确等问题,提出一种自适应变步长高斯混合模型的工业烟尘图像分割方法。根据烟尘变化速度不均匀的特点,通过分析检测出烟尘与实际烟尘的检出率和检准率的和的最大值,计算熵值差变化率对应的最佳步长,得到熵值差变化率与最佳步长的模型。以熵值差变化率为依据,确定最佳步长,得到一个关于熵值差变化率与最佳步长的模型。以熵值差变化率为输入,以最佳步长为输出,在GRNN网络得到适用于本文工业烟尘图像分割的网络模型。最后,在多个场景的烟尘视频中进行分割实验,结果表明,本文中方法能够有效的分割出视频中烟尘区域,且具有一定的适用性。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
混合高斯模型论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
运动图像目标检测指的是从序列图像中将变化的目标从背景中分离出来,高斯混合模型可以对视频序列图像的前景和背景进行分类,再利用背景减除实现运动目标的检测。提出一种基于改进高斯混合模型的优化背景建模方法,该方法首先利用3×3模板对序列图像帧中的像素进行类似卷积的均值计算,然后利用相邻均值的差提取均差因子自适应更新图像的均值。在此基础上,设计了自适应学习率和学习速率,利用改进高斯混合模型实现序列图像的背景建模。改进模型不仅能有效减少数据计算量,同时可以降低在相似区域像素计算的时长,大大加快背景建模速度。实验结果表明,改进模型在目标检测、算法执行速率等性能指标上都有更好的表现,能满足实时检测要求。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
混合高斯模型论文参考文献
[1].范超男,李士心,张海,郭荣.基于改进的混合高斯模型运动目标检测算法研究[J].天津职业技术师范大学学报.2019
[2].吕苗苗,孙建明.基于改进高斯混合模型的运动图像目标检测算法[J].半导体光电.2019
[3].周逸飞,朱星,刘文德.基于声发射和高斯混合模型的灰岩破裂特征识别研究[J].水利水电技术.2019
[4].欧阳城添,汤懿.基于高斯混合模型的核相关滤波目标跟踪算法[J].计算机工程与设计.2019
[5].陆华才,贺华展,黄宜庆,高文根.改进Canny边缘算子和高斯混合模型的运动目标检测[J].电子测量与仪器学报.2019
[6].汪韧,郭静波,惠俊鹏,王泽,刘红军.基于卷积高斯混合模型的统计压缩感知[J].物理学报.2019
[7].张宝一,陆浩,杨莉,李雪峰,黄岸烁.顾及梯度的高斯混合模型在叁维属性场空间聚类中的应用[J].地质找矿论丛.2019
[8].黄艳国,韩亮,张硕,许伦辉.基于高斯混合聚类模型的公交出行特征分析[J].现代电子技术.2019
[9].何冰倩,魏维,宋岩贝,高联欣,张斌.融合时空兴趣点和多元广义高斯混合模型的人体动作识别[J].成都信息工程大学学报.2019
[10].刘辉,王亚楠.自适应变步长高斯混合模型的工业烟尘图像分割方法[C].第30届中国过程控制会议（CPCC2019）摘要集.2019