《表2 运动奶牛目标检测结果》
目标检测算法的性能主要体现在准确性、鲁棒性、快速性方面[14],利用本文算法对试验样本进行运动奶牛目标检测,并与GMM、KDE算法进行对比,结果如表2所示,GMM算法的平均前景正检率为80.09%,KDE算法的平均前景正检率为85.09%,本文算法的平均前景正检率为95.65%,表明将无参数化核密度模型应用于运动奶牛目标的准确提取是可行的。由表2可看出,该算法受视频中其他干扰因素(光照、遮挡)的影响较小。上述结果表明,与经典的GMM算法相比,本文算法对于奶牛非结构化养殖环境具有更好的鲁棒性。
图表编号 | XD0055594100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.25 |
作者 | 宋怀波、阴旭强、吴頔华、姜波、何东健 |
绘制单位 | 西北农林科技大学机械与电子工程学院、农业农村部农业物联网重点实验室、西北农林科技大学机械与电子工程学院、农业农村部农业物联网重点实验室、西北农林科技大学机械与电子工程学院、农业农村部农业物联网重点实验室、西北农林科技大学机械与电子工程学院、农业农村部农业物联网重点实验室、西北农林科技大学机械与电子工程学院、农业农村部农业物联网重点实验室 |
更多格式 | 高清、无水印(增值服务) |