文摘
在21世纪,高新技术的快速发展,人工智能技术越来越成熟,及其在各方面的应用越来越广泛。图像识别是人工智能的一个重要特性。移动目标图像检测和应用,合理应用人工智能技术和相关研究分析移动目标图像检测和应用带来的变化,采用其最优方案可以改善移动目标图像检测和应用的创新。移动物体图像检测与跟踪是智能动态分析的算法过程。它还提供了大量的帮助许多研究方面的发展。分析和研究移动目标的检测和应用图像从人工智能的角度,改善当前的目标图像检测的算法。改进的人工智能算法将被应用到未来的移动目标图像检测和应用。可行的结果表明,移动目标检测和侦察系统,程序可以运行在并行系统优化后,每张图片的运行时间是5 - 8秒,从而提高系统的性能。通过连续的线性趋势图形,实际的测试框架的数目增加,线图趋向于稳定,性能提高了20 - 30倍,显示了该算法的可行性。
1。介绍
随着人工智能技术的迅速发展,模拟人类的视觉是基于图像识别的特性,可用于身份验证、安全监测、模型比较,和其他方面,在许多领域有着广泛的应用前景[1]。本文提出一种算法background-moving目标检测的图像。每一对保存图像微分手术,然后三个微分图像乘以像素获得移动目标非常明确的相关峰。这是另一个阶段2]。
视频移动目标识别与跟踪系统结合各种先进的计算机技术,包括形状识别、人工智能、图像处理。这是计算机视觉领域的主要研究方向。目前,在实践中,由于背景变化,目标变得模糊阴影干扰,和其他因素。因此,当讨论和改善目标检测和跟踪算法,人们常常专注于改善移动目标在视频图像检测系统的准确性。本文的目标检测和跟踪算法是基于如何解决难题的大胆的想法。首先,介绍了知识与基本的图像分割技术,和三个常用的优点和缺点在目标检测算法进行了综述和分析。背景差分法和three-image提出了差分法,研究了混合差分法和测试。揭示了一个基于ai的在线快速检测方法的光学遥感影像对象来创建一个网络模型,用于快速对象发现。我们使用光学遥感图像的目标数据集训练和评估目标快速检测网络模型。发明了移动对象光学遥感图像检测方法可以应对复杂的外部干扰检测精度高的优点,检测速度快,低内存分配、低成本、低能耗为嵌入式移动平台,等。可以实现实时检测速度和检测精度高的嵌入式平台,可用于遥感目标检测等移动设备平台(3]。
人工智能的快速发展的物联网,建立物联网可以在人工智能领域的突破。传统的图像识别方法使用波浪发电算法细分背景噪声和边缘噪声。这将导致一些问题,比如可怜的分辨率,图像识别准确率低、检测速度慢、图像深度分析不足。人工智能的设计基于对象的图像识别系统互联网图像识别率高的优点,识别精度高,运行平稳,加工效率高。它提供了一个新的设计理念图像识别系统的研究与开发,具有良好的应用价值4]。目前,人脸识别技术已经有效地用于安全控制系统和移动支付系统,大大提高人们的生活质量,保障人民的生命和财产的安全。传统的图像识别系统使用波形能量算法很容易受背景类型,反映了捕获速度慢的问题,低分辨率,精度较低。它不能满足当前图像识别的要求。人工智能图像识别系统是基于物联网技术的发展。为了确保设计质量,有必要加强人工智能的研究相互识别系统来提高图像识别的及时性和准确性。本文首先设计一个人工智能的概念基于物联网的图像识别系统,分析如何设计一个人工智能基于物联网的图像识别系统,以充分利用物联网技术的优势(5]。传统小波图像识别算法不再能满足现代对象识别的发展需要在互联网上。然后,小波图像识别算法精度和速度的缺陷。基于上述现象,本文采用人工智能捕捉技术来提取图像的基本特征,然后结合对象的强大的计算能力,互联网和其庞大的数据信息来分析和解构收集到的图像特征。根据反馈信号特征,构造对象互联网人工智能图像识别系统通过全面的对象网络人工智能图像移动目标图像检测(6]。
传统的图像识别系统中使用的算法主要是波能量算法。移动目标图像检测方法基于小波能量算法易受噪声图像边缘和背景类型和有一些缺陷。图像识别速度慢、图像识别精度低、和较低的图像识别能力不能满足图像识别当前的人类需求。推动物联网技术的快速发展和人工智能技术,人工智能基于物联网的图像识别系统已经被开发出来,它有效地提高了图像识别系统的准确性和及时性,弥补了传统的图像识别系统的不足。基于之前的研究结果的基础上,详细论述了设计对象的网络智能图像识别系统和一个图像识别功能的实现,它提供了一个可靠的参考对象网络的广泛使用人工智能图像识别系统(7]。
视觉图像和计算机系统系统,使计算机感知过程,理解效率。移动目标图像检测的工作环境是非常复杂的8]。实验比较的目标分割检测结果作物和水果在不同光照条件下显示该方法可以保持一个良好的检测效果与其他常用的检测方法相比,在不同光照条件下(9]。传统的被动跟踪方法容易受到复杂环境和产生大量的虚假网站,导致定位精度低、定位时间长。因此,基于多传感器、多目标的被动定位方法提出了人工智能优化神经网络基于集群的弹性的相关性,和准确的目标角度信息可以在不同时期获得的。只要可以观察到所有传感器目标探测半径足够大,目标动力学模型,目标度量模型,移动传感器运动状态模型创建。根据模型的定位原理分析,交叉定位实验的结果使用数据实现目标表明,该方法可以执行准确和快速的多个传感器和多个目标的被动定位,具有重要的理论和实际应用10]。移动目标图像检测技术是一种信息技术发达的信息时代,主要使用人工智能代替人类和处理大量的信息。本文总结了图像识别技术的原理和形状识别和分析了识别过程,专注于减少神经网络和非线性维度。它应该是一个为研究人员和用户参考相关图像识别(11]。
图像识别技术是一个重要的技术在信息时代,为了使电脑而不是人类处理大量的物理信息。随着计算机技术的进步,人们的理解图像识别技术改善了图像识别过程分为信息采集,预处理,函数,提取和选择、决策分类和分类。文章和图片很容易分析。随后,图像识别技术介绍了神经网络和非线性维度。有许多应用领域的图像编辑技术,可以概括。人类生活离不开图像识别技术,以及图像编辑技术讨论的重要性(12]。人工智能是一个宠物在今天的科技时代,这有利于国家和社会的快速发展,促进了人们的生活。图像识别是一种广泛应用在人工智能、指纹、人脸识别信息,快速图片搜索,环境监测,等等13]。自21世纪以来,人工智能发展如此之快,它已经逐渐扩展到各个领域和各个领域的影响。移动目标图像检测是人工智能的一个重要特征。因此,移动目标图像检测技术成为一个高优先级。本文分析了人工智能移动目标图像检测技术,进一步提高了应用程序的移动目标图像检测技术(14]。在相关研究过程中,上述研究文献具有较高的识别效率和准确性对固定目标,但有多目标问题,噪音,和干扰问题在移动目标识别中,导致可怜的识别效果。在本文中,一个移动的目标图像检测方法提出了基于人工智能,具有良好的识别效果和准确性。
面对传统方法的疑问移动目标图像检测和应用,人工智能技术的可解释性研究。基于领域知识,可说明的设计试验方法建立了促进研究所的发展人工智能和移动物体之间的图像检测和应用程序。移动目标图像检测和应用程序的充分、合理利用人工智能技术和相关研究,对其运动目标图像的检测和应用带来的变化分析,采取最优解可以提高创新的移动目标检测和应用程序。
2。AI Detection-Related算法
2.1。帧差分法
帧差分法是一种基于时间差分法。人们认为背景在短时间内变化不明显,当目标帧之间移动。两个相邻帧可以区分获得图像差异的绝对值。然后将binarize阈值图像,提取运动区域,并确定目标。在处理帧差异,关键是要设置阈值。高阈值会导致不完整的目标提取和失踪的有用的信息。阈值的选择通常依赖于一定的外部环境条件。算法步骤如下:
一个阈值被设置为binarize形象的差异。
2.2。平均背景建模
平均背景法是一个相对简单的背景建模算法(15]。原则是获得一个持续的从视频序列图像,代表了背景模型根据每个像素的平均值+一定的阈值范围(16]。算法步骤如下(1)累积的背景一般的算法如下: (2)创建一个乐此不疲的背景模型: (3)分割背景模型段的背景: (4)背景更新公式如下:
这是学习速率,范围从0到1;值越大,越快健身背景变化。
3所示。相关算法的图像检测
3.1。卷积神经网络
3.1.1。卷积的层
卷积层是最重要的部分卷积神经网络和计算如下:
3.1.2。汇聚层
池层是用来减少特性图矩阵的维数,减少操作,并使模型来识别图像的一部分被移动或处理。计算公式如下:
3.2。改进算法的序列片段的检测图像
3.2.1之上。改进检测算法
NMS开发算法提高检测的准确性。改进的重置功能
NMS的模块化transformation-based模型是设计算法来提高分数的重置功能算法。分数的重置功能修改NMS算法
3.2.2。网络培训的改进算法
确保卷积层的参数保持统一,完全连接层调整使用的RPN形成一个统一的网络(17]。然而,在培训期间,损失函数为每个片段候选区域
因为有一个差距在实际训练过程中,我们将介绍一个方法来减少之间的差距,从而确保网络的计算损失函数可以考虑两个损失函数(18]。
模型中,体重衰减设置为0.0005和0.9的力量,这可以减少训练误差的概率取得进展,之后更新的规则
4所示。移动目标图像检测的发展现状
4.1。检测技术的概述
今天,随着技术的发展,很多工作已经取代了人工智能,从而进入人工智能的时代。计算机视觉分析的整个过程是将信息记录的视频图像转化为数字信号分析和处理接收信号信息19]。
移动目标图像检测在人工智能中起着非常重要的作用。从技术角度来看,移动目标图像检测是智能动态图像分析的一个算法的过程。从应用程序的分析,他已经完成了各种智能任务对我们的公司。从学科的角度来看,随着技术的不断发展,它已成为普遍使用智能设备而不是枯燥的体力劳动。摄像机运动包括360度旋转的相机,相机的固定轴运动,或者加载的移动设备。摄像机运动分析更为复杂和可以移动视频图像的背景。有许多失败的案例在传统背景分析算法,因此需要一种新的算法来解决这个问题,和难度也增加了20.]。
4.2。目标探测技术的总结
没有先验知识,目标检测是目标跟踪技术的第一步。原则是使用的独立的移动目标检测算法背景不知道哪一个是出现在现场。目前,主流的识别算法包括帧间差分算法,背景建模算法,图像分割算法(21]。假设背景系统在短时间内变化不明显,和基于图像运动信息可以获得连续两个或三个图像结果的差异。该算法时间复杂度低,易于使用,但是限制了应用程序计划和可怜的缓慢或快速移动目标检测。此外,如果突然场景的亮度变化,很容易产生错误的目标。
总的来说,今天的目标识别算法可以适用于一些简单的上下文或变化的情况下,但是对于复杂的系统,他们经常遇到各种问题,和他们的实时性能,精度和可靠性都受到影响。
4.3。困难和移动目标图像检测的发展方向
一个好的视觉图像跟踪系统应该有良好的实时性能的优势,跟踪精度高,一个强大的跟踪过程。然而,这些特性是很难同时观察监测过程中由于各种干扰(22]。监测目标的挑战主要体现在以下方面:(1)目标变形、变形等引起的缩放,旋转,或改变视角。(2)环境变化是不均匀的。目前,有一些适用的建模方法与传统背景的变化,但是背景建模与传统的改变是非常困难的,而且容易获得错误检测。(3)如果有多个目标相互接近,很容易加入,从而减少的数量目标。(4)从相机的角度来看,大目标,小目标是完全锁定的跟踪算法不能跟踪锁定目标出现的时候了。
当然,不同的系统需要不同的轴的跟踪算法,但这些困难是常见的跟踪系统需要解决的问题。基于综合分析,目标跟踪算法的未来发展方向主要在于以下(23]:(1)研究结合来自多个数据源的数据,如无线传感器网络目标跟踪和multiangle跟踪相结合,来解决阻塞和背景的变化。(2)回顾普遍评价标准。监测目标是一个持续的过程,评估数据的相关性也是一个重要的研究领域。(3)回顾人类的视觉特征,模仿存储的过程中,比较,和提取信息,使得目标跟踪过程更聪明(24]。
5。研究的例子
5.1。实验环境
研究移动对象图像检测和应用,图像目标检测测试。
表1和2显示移动目标的外部环境测试和综合开发和测试在C + + 14个语言版本。
5.2。实验数据来源
收集到的实验数据主要包括视频网站上关于无人机的相关动态背景和无人机上的基本信息收集。样品标签信息是被适当的无人机图像数量和位置信息,这样视频信息和标签信息可以直接训练时形成一个适当的分类模型。没有反向采样数据集,但如果你开相应的模型,你可以在视频标签nonadvanced抽样反向取样。
数据集中在内部和外部场景,灯光效果,背景的复杂性。收集的数据由计算机视觉实验室的瑞士联邦理工学院的主要包括室外场景,和数据收集的网站主要包括室内场景。因此,数据集的总和可以用作移动目标探测实验数据在动态背景。
5.3。实验结果和分析
5.3.1。目标识别精度测试
移动物体检测和识别系统的动态背景,移动物体检测和识别的准确性是一个重要的标准来衡量图像检测系统。实验精度主要是验证了所选目标位置和随后的手工工作,计算出正确的检测和错误检测。
类似的算法可用来检测移动目标。表3编译的精确统计这组实验数据。通过实验数据,可以确定,DPM等传统算法,随机森林,和ACF贫穷背景检测效果,动态背景,不能准确地检测到。只有事务补偿算法和本文提出的新算法执行的很好。
然而,运动补偿算法的运算速度慢的主要瓶颈的动态背景,所以它仍然是不适合实际应用。然后,我们通过实验比较原始的运动补偿算法和该算法的执行速度。
5.3.2。系统处理速度测试
验证算法的准确性,多个测量数据进行了分析。总共5测量计算和记录在表4。然后,表4是用来做一个折线图,便于观察,如图1。
很明显的线条图1在实现移动目标检测和侦察系统,过程需要大约10秒钟平均每个图像,主要是由于大量的计算工作和所需的时间侦察目标的一部分。优化系统后,程序可以并行运行,保持每个图像的运行时间之间的5和8秒,从而提高系统性能。最后,介绍了改进算法。每张图片大约400到500毫秒,在运行时可以大大增加。当测试50至150视频帧,每帧的平均运行时间小于0.3秒。从实验的视频可以看出,实验很好,因为图像背景是相对稳定的。增加测试数据,每帧的平均运行时间也是稳定的女士在400年和500年之间。
5.4。对实验结果的分析
结果分析了移动目标探测精度和系统的运行速度。
首先,有许多困难,影响目标检测的准确性,如检测到目标形状的多样性、小目标大小、背景动态变化,相应的会影响目标检测的准确性。在这个实验中,检测移动目标的准确性将83%,和原来的方法将达到80%。提高检测精度的主要原因是,大量的背景资料和噪声过滤屏蔽目标的时候,这样的阈值检测目标可以相应地降低当目标是最终决定。很少有干扰条件下,检测移动目标的结果自然会提高。
此外,系统运行的实验结果必须记录当前时间在系统的开始和结束,创建基于两届统计差异。比较改进后的执行效果,改进原来的检测时间和检测算法将计算后添加链接或改进算法进行了优化,如表所示5。
通过分析实验结果表5和线在图2,操作系统的性能优化的代码后几乎翻了一番,如蓝线,如图所示2。红线显示系统的整体效果增强后添加增强功能。少,如果测试图像的性能测试结果将增加75倍,主要是由于特殊的实验场景数据。通过连续的线性趋势图,它可以确定实际的测试帧数的增加稳定和性能提高约20 - 30倍,这证明了算法的可行性。
6。结论
针对移动目标图像检测和应用存在的问题在当前的科学和技术的时代,各种人工智能算法的初步研究,需要进一步挖掘。在新技术的时代,特别是在人工智能、移动目标图像检测和应用刚刚开始面临许多不确定性和挑战,但是,应用前景广泛。(1)针对移动目标图像检测和应用的发展前沿,不断引进最新的计算智能算法提供的方法移动目标图像检测和应用研究。移动目标的图像检测和应用程序作为研究的重点,和不同的移动目标的特征图像通过仿真实验进行比较和分析,以进一步提高移动目标图像的检测和应用能力的背景下人工智能。(2)面对怀疑的传统方法检测和应用程序的移动目标图像,我们进行研究人工智能技术的可解释性。基于领域知识,我们将建立一个可说明的设计试验方法来促进横断面研究人工智能的发展和移动目标图像检测和应用程序。(3)移动目标图像检测和应用程序的移动目标图像,合理应用人工智能技术和相关研究,分析移动目标图像检测和应用带来的变化,采用其最优方案可以提高移动目标图像检测和应用的创新25]。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称,关于这项工作他们没有利益冲突。
确认
这项工作的部分赞助由工业大学合作合作教育项目(202102453006)。