针对ORB(oriented FAST and rotated BRIEF)特征匹配算法在实时性要求较高领域效果不佳以及在复杂光照环境下匹配精确率较低的问题,提出了一种基于改进FAST(features from accelerated segment test)检测的ORB算法。首先,对待处理的灰...针对ORB(oriented FAST and rotated BRIEF)特征匹配算法在实时性要求较高领域效果不佳以及在复杂光照环境下匹配精确率较低的问题,提出了一种基于改进FAST(features from accelerated segment test)检测的ORB算法。首先,对待处理的灰度图像进行分类,剔除掉部分灰度变化率较低的区域,然后提取FAST特征点并计算描述子,最后采用汉明距离完成匹配。此外,在提取FAST特征点时,设计了一种自适应半径,利用图像对比度自适应调整检测半径,当图像对比度突变时依然能够保证期望的特征点数量。实验结果表明,改进后的ORB算法匹配时间缩短了16.47%,大幅提高了在复杂光照环境下的匹配精确率,具有较强的鲁棒性和实时性。展开更多
针对无线传感器网络路由协议LEACH(Low Energy Adaptive Clustering Hierarchy)算法中簇头选择不合理以及节点能耗不均的缺点,提出了一种基于LEACH的节能算法LEACH-RA。所有节点分为固定的簇,簇内节点根据所处簇的半径进行自适应的选择...针对无线传感器网络路由协议LEACH(Low Energy Adaptive Clustering Hierarchy)算法中簇头选择不合理以及节点能耗不均的缺点,提出了一种基于LEACH的节能算法LEACH-RA。所有节点分为固定的簇,簇内节点根据所处簇的半径进行自适应的选择簇头。通过NS2仿真证明了改进后的协议有效克服了LEACH由随机簇头选择策略导致的节点能耗不均匀的现象,从而延长了网络的寿命。展开更多
提出了一种基于自适应半径免疫算法(ARIA)的入侵检测方法。ARIA训练得到的抗体网络充分保留了原始数据的密度分布信息,具有准确的空间形态;再用最小生成树算法和Zahn划分标准对抗体网络细胞聚类,聚类得到的簇被标记为正常或异常并用于...提出了一种基于自适应半径免疫算法(ARIA)的入侵检测方法。ARIA训练得到的抗体网络充分保留了原始数据的密度分布信息,具有准确的空间形态;再用最小生成树算法和Zahn划分标准对抗体网络细胞聚类,聚类得到的簇被标记为正常或异常并用于网络异常检测中。对KDD CUP 99数据集的实验结果表明:相对于基于aiNet的入侵检测方法,新的算法检测率高、误报率低,能够有效识别KDD中的已知攻击和未知攻击。展开更多
目的目标检测在智能交通、自动驾驶以及安防监控中均有重要的地位,Vi Be算法是常用的运动目标检测算法,它主要由背景模型初始化、前景检测、背景模型更新3部分组成,其思想简单,易于实现,运算效率高,但当初始帧有运动目标时,检测结果会出...目的目标检测在智能交通、自动驾驶以及安防监控中均有重要的地位,Vi Be算法是常用的运动目标检测算法,它主要由背景模型初始化、前景检测、背景模型更新3部分组成,其思想简单,易于实现,运算效率高,但当初始帧有运动目标时,检测结果会出现"鬼影"现象,且易受噪声和光照变化影响,不能适应动态场景。同时,其逐帧逐像素进行前景检测,在计算复杂度方面有较大提升空间。为解决这些问题,提出一种改进的Vi Be算法,称为Vi Be Imp算法。方法在背景模型初始化时,用多帧平均法给出初始背景,采用该初始背景构建初始背景样本模型。在前景检测过程中,采用背景差分法、帧差法与OTSU算法相结合给出半径阈值的自适应计算方法。同时,根据背景差分法找出运动区域,只对运动区域进行前景判断和模型更新,降低算法的计算复杂度。结果对25个不同场景视频分别给出Vi Be Imp算法在初始化背景,自适应半径阈值和计算复杂度方面改进的结果及有效性指标,实验结果表明,与Vi Be、Vi Be Diff2、Vi Be IniR,以及Surendra等算法和高斯混合模型相比,Vi Be Imp算法对噪声、光照和背景动态变化有较好的鲁棒性,检测结果更完整,且实时性较好。同时,Vi Be Imp算法将Vi Be算法的查准率、查全率以及F1值分别提高了17. 98%、11. 40%和15. 96%。结论 Vi Be Imp算法采用多帧平均法构建初始背景可有效地消除"鬼影",并给出半径阈值的自适应计算方法,使Vi Be算法更快适应视频环境变化,准确且完整地检测出运动目标,具有较低的误检率和漏检率。该方法克服了Vi Be算法对初始背景以及视频环境的依赖,很大程度上提高了运算速度,具有很好的鲁棒性和适用性。展开更多
文摘针对ORB(oriented FAST and rotated BRIEF)特征匹配算法在实时性要求较高领域效果不佳以及在复杂光照环境下匹配精确率较低的问题,提出了一种基于改进FAST(features from accelerated segment test)检测的ORB算法。首先,对待处理的灰度图像进行分类,剔除掉部分灰度变化率较低的区域,然后提取FAST特征点并计算描述子,最后采用汉明距离完成匹配。此外,在提取FAST特征点时,设计了一种自适应半径,利用图像对比度自适应调整检测半径,当图像对比度突变时依然能够保证期望的特征点数量。实验结果表明,改进后的ORB算法匹配时间缩短了16.47%,大幅提高了在复杂光照环境下的匹配精确率,具有较强的鲁棒性和实时性。
文摘针对无线传感器网络路由协议LEACH(Low Energy Adaptive Clustering Hierarchy)算法中簇头选择不合理以及节点能耗不均的缺点,提出了一种基于LEACH的节能算法LEACH-RA。所有节点分为固定的簇,簇内节点根据所处簇的半径进行自适应的选择簇头。通过NS2仿真证明了改进后的协议有效克服了LEACH由随机簇头选择策略导致的节点能耗不均匀的现象,从而延长了网络的寿命。
文摘提出了一种基于自适应半径免疫算法(ARIA)的入侵检测方法。ARIA训练得到的抗体网络充分保留了原始数据的密度分布信息,具有准确的空间形态;再用最小生成树算法和Zahn划分标准对抗体网络细胞聚类,聚类得到的簇被标记为正常或异常并用于网络异常检测中。对KDD CUP 99数据集的实验结果表明:相对于基于aiNet的入侵检测方法,新的算法检测率高、误报率低,能够有效识别KDD中的已知攻击和未知攻击。
文摘目的目标检测在智能交通、自动驾驶以及安防监控中均有重要的地位,Vi Be算法是常用的运动目标检测算法,它主要由背景模型初始化、前景检测、背景模型更新3部分组成,其思想简单,易于实现,运算效率高,但当初始帧有运动目标时,检测结果会出现"鬼影"现象,且易受噪声和光照变化影响,不能适应动态场景。同时,其逐帧逐像素进行前景检测,在计算复杂度方面有较大提升空间。为解决这些问题,提出一种改进的Vi Be算法,称为Vi Be Imp算法。方法在背景模型初始化时,用多帧平均法给出初始背景,采用该初始背景构建初始背景样本模型。在前景检测过程中,采用背景差分法、帧差法与OTSU算法相结合给出半径阈值的自适应计算方法。同时,根据背景差分法找出运动区域,只对运动区域进行前景判断和模型更新,降低算法的计算复杂度。结果对25个不同场景视频分别给出Vi Be Imp算法在初始化背景,自适应半径阈值和计算复杂度方面改进的结果及有效性指标,实验结果表明,与Vi Be、Vi Be Diff2、Vi Be IniR,以及Surendra等算法和高斯混合模型相比,Vi Be Imp算法对噪声、光照和背景动态变化有较好的鲁棒性,检测结果更完整,且实时性较好。同时,Vi Be Imp算法将Vi Be算法的查准率、查全率以及F1值分别提高了17. 98%、11. 40%和15. 96%。结论 Vi Be Imp算法采用多帧平均法构建初始背景可有效地消除"鬼影",并给出半径阈值的自适应计算方法,使Vi Be算法更快适应视频环境变化,准确且完整地检测出运动目标,具有较低的误检率和漏检率。该方法克服了Vi Be算法对初始背景以及视频环境的依赖,很大程度上提高了运算速度,具有很好的鲁棒性和适用性。
