摘要：在关联规则挖掘的实践中 ,人们往往只对一部分关联规则感兴趣。若将背景约束引入关联算法 ,不仅可以使挖掘结果更有意义 ,而且可以大大提高算法的速度。本文给出了一种将背景约束条件和多级关联规则相结合的高效算法。

摘要：为获取高质量的目标跟踪结果,基于背景约束机制设计了一种新的抗遮挡目标跟踪算法。根据视觉纹理特征提取初始帧图像内的前景目标与背景特征,并通过建立前景目标物的概率约束提高目标识别的精度;采用粒子滤波跟踪框架,以颜色和二值形状为跟踪线索,利用Bhattacharyya距离判定目标物是否被遮挡;在目标遮挡条件下,采用自适应融合策略适时转变线索融合模式,同时将mean-shift算法引入粒子滤波框架内,实现抗遮挡目标跟踪。实验结果表明,非遮挡情况下的目标跟踪耗时在14 ns以内,遮挡情况下的目标跟踪耗时在17 ns以内;最大中心位置误差仅为16.7像素,最大覆盖率可达到82.1%,说明该算法具有较好的跟踪效果。

摘要：为了解决当前交通标志种类繁多和所处环境多变,导致智能识别正确率不高的问题,提出基于多示例深度学习的交通标志识别算法。根据样本图像块与其对应的标签设计一个包含颜色、几何、区域特征的训练集,得到样本特征与标签的对应规律;根据权重修正反馈,推导包与标签的逻辑关系,建立多示例训练学习算子,准确分类交通标志。进行训练集损失函数计算,通过最优分类器响应减少训练数据损失。最后,基于大数据样本驱动形成背景约束,从而去除示例中模棱两可的训练数据,完成交通标志的准确识别。基于QT平台,开发相应的识别软件。实验测试结果显示,与当前交通标志识别技术相比,所提算法拥有更高的识别正确性与鲁棒性,且对各类交通标志具有较高的识别准确率,在智能汽车、自动交通监控等领域具有一定的应用价值。