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:对2010-2012年深圳市食品抽检结果进行汇总统计。首先,运用独立样本t检验,分析各类食品及各个检测指标的变化趋势,建立了基于动态监控抽检结果的食品抽检模型,对抽检次数进行实时合理的分配;然后,分析食品产地、检测季节、食品销售地和食品包装与食品质量的关系,建立了Logistic回归模型,横向对比4个因素的影响效果,并据此将4个相关的因素加入动态模型,以优化抽检方案;最后,依据实际数据,随机模拟生成新的抽检数据,实证检验改进后的抽检方法的优越性。
简介:对Goodgrant基金的投资策略进行研究。首先,根据投资要求,对候选学校进行初步筛选,基于筛选后的学校,选取与教育绩效有关且数据信息完整的变量对学校进行聚类,并利用聚类结果对缺失数据进行补全;然后,提出了评价学生教育表现的绩效指标、绩效指示变量及绩效贡献变量的定义与关系,通过对绩效指示变量进行主成分分析,确定出每个学校当前的绩效值,并以此对所有学校进行初步排名;最后,以获得奖学金的学生占当年入学学生总数的比例作为绩效贡献变量,给出每个学校投资回报率的计算公式,并以该公式为依据,从绩效排名前100的学校中选出待投资的10所学校及捐赠数额。