为了增强无线局域网对延时敏感的VoIP等实时业务的支持,通过分析语音容量模型,对IEEE 802.11e EDCA协议的最小竞争窗口(CW)、仲裁帧间隔(A IF S)和传输机会(T XO P)3个参数的接入点和终端节点做区分,并考虑到语音流的ON-OFF模型和语音流的上行与下行时延约束。基于该分析模型进行模拟仿真,并通过对仿真结果的研究与分析,最终定量地给出了利用CW、AIFS和TXOP进行区分时的优化值。结果表明,利用这些参数的优化值为接入点和终端节点提供区分服务可有效提高VoIP的容量。
Mean Shift算法是利用特征空间中的密度梯度方向进行迭代搜索,获得局部密度极大值的样本点。由于利用单一颜色特征和整体目标区域建立模型,在目标尺度变化和光线变化情况下鲁棒性较差。传统的MeanShift算法没有模板更新机制,在跟踪过程中跟踪的窗口带宽始终不变,这导致了目标再次变化时易跟踪失败。采用对目标进行分块,利用人体的特征,对人体进行分块,并对每块进行纹理和颜色相结合的方式进行建模,形成改进的Mean Shift算法,通过有遮挡情况下的人体跟踪实验,证明改过后的算法大大地提高了跟踪的鲁棒性。