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:设E是任意实Banach空间,T:E→E是Lipschitz的强增生算子.证明了,带误差的Ishikawa迭代序列强收敛到方程Tx=f的唯一解.特别地,还给出了Ishikawa迭代序列的收敛率估计.另一方面,一个相关结果,讨论了E中lipschitz强伪压缩映象的不动点的带误差的Ishikawa迭代序列的收敛性.
简介:设X是实Banach空间,H:X→X是Lipschitz算子,T:X→X是一致连续的且值域有界,H+T是强增生的,则Mann和Ishikawa迭代程序几乎稳定地强收敛到方程Hx+Tx=f的唯一解.
简介:给出并证明了MengerPN-空间中一类具有(Φ,△)-型概率收缩序列的非线性集值及单值算子方程序列解的存在性与唯一性定理,推广了张石生等人的结果,并利用这些定理获得了几个不动点定理。
简介:在实自反Banach空间中,证明了强增生型变分包含解的具有误差项的Ishikawa迭代程序的一些新的收敛性和稳定性定理.所得结果改进、推广和发展了一些作者早期与最近的相关结果.