针对长时间目标跟踪检测不准确问题, 提出一种结合运动场景的超像素分割与混合权值的AdaBoost多目标检测(ABSP)算法。首先在动态模型中, 计算AdaBoost算法的混合权值, 检测运动目标, 确定搜索区域, 提高多目标跟踪检测能力; 在训练阶段, 采用SLIC分割与Mean-Shift聚类形成超像素图块, 构建目标外观模型; 在跟踪阶段, 结合超像素特征池生成模板直方图与置信图, 构建观测模型与运动模型, 采用粒子滤波与贝叶斯模型, 计算最大后验估计, 实现遮挡运动目标检测。结果表明: 能够有效处理数目变化多目标检测与遮挡问题, 提高了检测的实时性。
目标跟踪 多目标检测 超象数 AdaBoost检测 外观模型 target tracking multi-target detection superpixel AdaBoost detection appearance model
1 中南林业科技大学, 粮食深加工国家工程实验室, 湖南 长沙 410004
2 中南林业科技大学食品科学与工程学院, 湖南 长沙 410004
利用近红外技术结合化学计量学的方法建立了稻谷新陈度近红外光谱定量模型。 对90个稻谷样本, 通过近红外光谱仪扫描获得了从950～1 650 nm的光谱信息。 运用UNSCRAMBLER9.7软件进行计算, 选择全谱区, 结合偏最小二乘法(PLS)算法, 得到光谱最佳预处理方法为一阶导加Savizky-Golay平滑, 最佳主成分数为7。 进行内部交叉验证, 决定系数r2为0.967 9, 预测误差为54.51, 且预测结果与真实值通过t检验, 说明模型是可行的。 为稻谷新陈度的快速无损检测提供了一种新的方法。
稻谷 储藏时间 近红外 偏最小二乘法 Paddy Storage time NIRS PLS 光谱学与光谱分析
2012, 32(8): 2126
1 中南林业科技大学, 湖南 长沙410004
2 湖南省食品测试分析中心, 湖南 长沙410025
提出了一种利用近红外光谱技术定量分析蜂蜜中可溶性固形物含量(SSC)的新方法, 同时对蜂蜜中的水分也进行了研究。 在不同光谱范围内, 通过对原始光谱的不同预处理, 用偏最小二乘法分别建立了SSC和水分的近红外透反射光谱校正模型, 所有模型都有高的的预测精度和水分的最优模型都为在全谱范围内, 光谱预处理采用Norris平滑+一阶微分+多元信号校正, SSC模型的交互验证决定系数(R2CV)、 交互验证误差均方根(RMSECV)、 验证集决定系数(R2p)、 验证误差均方根(RMSEP)SSC模型分别为0.998 6, 0.190, 0.998 5和0.127, 水分模型分别为0.998 4, 0.187, 0.998 6和0.125。 近红外光谱能实现蜂蜜中SSC和水分的准确测定。 水分模型预测结果略好于相关文献的报道
近红外透反射光谱 蜂蜜检测 可溶性固形物含量 水分 Near infrared transflective spectroscopy Honey analysis Soluble solids content Moisture 光谱学与光谱分析
2010, 30(9): 2377
