欧丰林
- 作品数：6 被引量：10H指数：2
- 供职机构：漳州职业技术学院更多>>
- 发文基金：福建省自然科学基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术建筑科学更多>>
- 智能化家居综合布线系统设计与实施被引量：1
- 2012年
- 未来家居的基本功能是能够为人们提供一个舒适、安全、方便和高效率的生活环境,这样的环境依赖现有的科技已成为可能。家居装修之前要有前瞻远光,在装修之前就应把智能化策略应用在新房综合布线系统里,否则等哪些看不见的工程实施完工之后,再去考虑智能化的家居设计可能已经晚矣,当信息化、智能化的浪潮更快速的席卷世界的每个角落时,人们的思维习惯上将会发生重大变化,智能化的综合布线系统将会为人们营造更优质、更丰富的生活。
- 欧丰林
- 关键词：智能家居综合布线弱电设计
- 多特征融合的无人机目标跟踪算法研究被引量：4
- 2020年
- 视觉目标跟踪是无人机监控领域一项重要的关键技术.无人机在高空领域监控的对象具有距离大而且目标小,因此视差和光照变化等方面跟踪性能不高.在背景感知相关滤波器框架提出一种新的响应融合策略,通过对响应图中的峰值强度进行加权实现目标跟踪的精确定位.通过背景感知相关滤波器对跟踪的目标提取的每个特征;利用峰值信噪比来衡量响应值的峰值强度,对每个响应值进行加权融合.利用融合响应图对目标进行精确定位.该算法在UAV123公开的数据集进行实验,与六个视频跟踪算法进行对比分析.实验表明,该算法表现出较好的性能,特别是提高目标跟踪的运动中视差和光照变化的性能.
- 欧丰林杨文元
- 关键词：计算机视觉目标跟踪无人机峰值信噪比相关滤波
- 多特征卷积融合的相关滤波视频跟踪算法
- 2020年
- 视频跟踪是计算机视觉的重要研究方向,具有广泛的应用。但视频跟踪过程中存在运动模糊和形变等问题,导致了跟踪的性能降低。提出多特征卷积融合的相关滤波视频跟踪算法,通过卷积神经网络提取视频图像中多个特征,并根据提取特征后产生的多个响应值进行融合,从而实现目标定位。首先,通过卷积神经网络提取视频序列同一图像块由浅层到深层的多个特征;其次,将提取的图像特征通过目标响应置信函数产生目标响应值并进行融合,根据最小惩罚值来计算目标区域;最后,采用线性插值的方法进行目标模板和滤波参数更新,实现目标跟踪。多特征卷积融合的相关滤波算法在OTB-2013、OTB-2015和VOT-2016公开的数据集进行实验,与5个视频跟踪算法进行对比分析。实验表明:该算法表现出较好的性能,特别是在目标跟踪的运动模糊和形变方面的性能优于对比的相关滤波跟踪算法。
- 欧丰林
- 关键词：计算机视觉目标跟踪卷积神经网络相关滤波
- 融合HOG特征的相关滤波视频跟踪被引量：1
- 2020年
- 计算机视觉领域的目标跟踪已取得巨大进展,但在视频跟踪中,平面外旋转和形状变化的性能方面还有提升空间。本文提出一种基于方向梯度直方图HOG特征,结合图像灰度值把HOG特征加以融合和分解,以提升视频跟踪的变形和尺度变换的性能。首先提取目标区域的HOG的31维特征和灰度值;其次,将灰度值作为1维特征,与HOG特征融合成32维向量HOG32;进而将HOG32分解成2部分特征,分别为HOG1和HOG2;最后,通过对HOG1、HOG2和HOG32特征响应值的比较,选择最大值位置作为预测的下一帧的位置。实验在OTB-2013和OTB-2015这2个数据集上进行,与其他5个算法的比较结果表明,该方法在平面外旋转、变形、复杂背景等方面获得良好效果。
- 李梅云欧丰林杨文元
- 关键词：计算机视觉视频目标跟踪相关滤波HOG特征
- 视频目标跟踪的颜色特征学习率优化分析
- 2019年
- 目标跟踪是智能视频监控系统的关键技术基础,在视觉目标实时跟踪过程中往往因为漂移而降低精度.针对这个问题,在颜色特征的基础上,通过分析和优化学习率来抑制漂移,提高目标跟踪的精度.首先,利用RGB颜色特征建立目标背景与干扰感知目标模型.其次,根据干扰感知的模型计算目标跟踪对象的干扰区域与目标区域的概率值与距离值.最后,通过引入不同的学习率,优化目标跟踪中概率值与距离值进行目标定位,得到跟踪结果的最优值.采用VOT2016评估基准60组视频序列验证优化分析的有效性,实验结果表明对学习率进行优化,目标跟踪的精度和速度均有一定程度提高.
- 欧丰林吴慧君杨文元
- 关键词：计算机视觉视频目标跟踪学习率
- 融合高斯混合模型和深度学习的目标跟踪被引量：4
- 2020年
- 目标跟踪是计算机视觉的关键技术,但快速运动所导致的目标运动模糊会影响跟踪的精度.提出融合高斯混合模型和深度学习的目标跟踪算法,利用高斯混合模型对目标视频进行建模,在卷积神经网络中提取浅层和深层的图像特征,将两个特征的响应值融合后实现跟踪目标的定位.首先,根据高斯混合模型建立样本数据集,利用概率密度函数筛选数据,依据正态分布获得对应的高斯分量;其次,在深度学习框架下对高斯混合后获得的样本数据提取浅层和深层特征;最后,将提取的浅层与深层特征响应值进行融合,并更新目标模型,实现目标跟踪定位.该算法在VOT-2016公开的数据集进行实验,与6个视频跟踪算法对比分析.实验表明,所提的算法表现出较好的性能,特别是在快速运动的评价指标中,该算法的抖动模糊精度比ECO算法提高6.25%.
- 欧丰林林淑彬
- 关键词：计算机视觉目标跟踪高斯混合模型卷积神经网络
