计算机专业毕业设计翻译.docVIP

中国地质大学(北京)

本科毕业设计外文资料翻译

院(系）:信息工程学院

专业：计算机科学与技术

姓名：周瑞旋

学号：

外文出处:MasｓachusettsInｓtituｔeofTｅｃhｎolｏgy，

CompｕterSciｅncｅlＩntelligeｎceLaboｒatｏｒｙ

附件:１.外文资料翻译译文；2。外文原文.

完成日期:２0１０年4月２0日

暂时性不规则动态纹理的背景减法

GeralｄＤａllｅy，JoshｕaＭigｄaｌ,和W.EricL。Ｇrｉmｓon

麻省理工学院计算机科学和人工智能实验室

麻萨诸塞州剑桥大街77号,麻萨诸塞州021３9

摘要

在传统的混合高斯背景模型下,每个象素的生成过程被模式化为一个对颜色的混合高斯模型．不幸地是,当背景包括动态纹理这个模型表现不佳.就像是树在风中飘动，水面荡起涟漪.来解决这一问题的不足之处，研究人员最近将这种背景过程看的更加复杂和/或致密.我们提出了广义的模型MｏG处理动态纹理.我们在背景模型的语境中做到更好,运用在复杂场景条件下的复杂的增长模型有比相互抵触的方法更加精确的分割，而不是需要大部分的时间观察本质的大部分方面。

1。简介

在现在的场景分析系统中一个典型的方法是为背景影响创建一个适合的统计模型，当一个新的框架出现，不可能被这个模制作的像素点被标记在最显著的位置。Sｔauffｅr和Grimson[11］将起描述为混合高斯模型。在每个像素处，有一个收集高斯发射值或者是其他色彩空隙。当一个像素值在一个新的框架中被发现,它是匹配的高斯最有可能的排放。Tｈe高斯则是更新这些像素值,利用指数遗忘近似方案在线k均值算法。这允许在线适应变化的成像等约束条件,在照明或对象转移静止不动。像素值被列为前景当他们与不平常的高斯技术相关联或者是当他们不能很好的符合任何高斯。他的方法可能实时实现而且若照相机不移动会有更好的效果.然而，对于大部分应用程序而言，像树枝树叶在风中摇曳、水面激起涟漪的事情,应该被认为是背景即使他们包含运动。因为在个别像素水平,这些动态的问题引起更大的变化，他们通常无法模仿在一个完全独立的像素的模型。在中间列的数字五，

我们看到MoG前景怎样不仅掩饰包含行人和车辆，还掩饰由于许多其他像素图像噪声的动人的树木。

最近,Mittal和Paragiｏs［5]运用最近的

Ｔ框架创造一个色彩与光学流量的非参数模型，小心的处理测量的不确定性，核密度估计带宽,不确定性管理在这里特别重要用于当地的光流所固有的歧义的估计。虽然他们的方法仍然模型的图像为相互独立的像素，他们生产的结果令人印象深刻的时候相同的动作,多次观察每一个街区T帧。当罕见的运动出现时变化是可能发生的,例如由于一阵狂风树木周期性的发出瑟瑟声．更好的分类性能结果在成本为２0０个框架的线性载窗口,他们的高度优化实现一到两个命令MｏG速度比典型的实现．Sheｉｋh和Shａh[1０]已经建立了一个核心基础的背景模型运用现在的T框架他们是技术的籽粒像素颜色和位置。通过允许观察像素匹配仁为中心在相邻像素位置，他们能翻出来小空间的运动，如树在风中飘动作为背景像Mittａl和Pａragioｓ。他们必须维持一个长期的历史去维持所有背景中的分辨率。幸运的是，对于很多种类的场景,这个里历史长度将对于阿拉伯酋长和沙特酋长将会变少，从信息可与国王“分享”由仁,附近的像素值。我们将显示我们的方法能够达到同样的共享我们这样做的好处，并由其中一小部分很容易。

对任何ＭOG系统进行修改,NaｍａndHaｎ[６］最近发布了一种后台减法的方法,用颗粒过滤的方法来追踪衍生像素进程的位置。他们用一种匀速运动(包括高斯噪声)的模型，然后用彩色柱状图来表示一些离散的噪声出现的频率。为了使系统操作简便,他们进行了一些简单的假设来应对一些特殊的情况，进而得出结论和做一些修改。有相当数量的结果是现成的。ZhonｇａndＳclarｏff[15］用一种平均自回归移动模型来处理一些常规动力学背景的纹理。为了保持在9６帧,他们保持８0ｅigeniｍａｇes。

JoｊｉcaｎdFｒey[３]用了一种完全不同的方法,他们把WanganｄAｄeｌson的模型进行了扩展。他们认为图像是在收集层中产生的，这需要每一层都紧紧相连.他们的模型假设所有的层数都是显而易见并且固定不变的。通过图像每一层都可以自由的转化.扩展包括了WiｎnandＢlａke’s［14］的仿射运动模型。因为寻找最优解是很困难的，他们在他们