|
|
Zveřejněno 23.05.2019 18:54:43
|
|
|
Algoritmus inteligentního vyhledávání videa
Vyhledávání videa spoléhá na video algoritmy k analýze video obsahu, extrakci klíčových informací z videí, označování nebo zpracování souvisejících procesů a vytváření odpovídajících metod monitorování událostí a alarmů, aby lidé mohli rychle získat informace prostřednictvím různých popisů atributů. Pokud je kamera považována za oči člověka, inteligentní systém videozáznamu lze chápat jako lidský mozek. Inteligentní video technologie využívá výkonnou výpočetní funkci procesoru k analýze obrovských dat na obrazovce vysokou rychlostí a získávání informací, které lidé potřebují.
Model rozdílu snímků
Rozdíl snímků lze označit za nejjednodušší model pozadí – specifikovat obraz ve videu jako pozadí, porovnat aktuální snímek s pozadím, podle potřeby filtrovat drobné rozdíly a výsledkem je popředí.
Statistický model pozadí
Background statistický model je metoda počítání pozadí za určité časové období, následné výpočty jeho statistik (jako je průměr, střední rozdíl, směrodatná odchylka, hodnota průměrného driftu atd.) a použití statistik jako pozadí.
Naprogramujte tento model pozadí
Základní myšlenka zakódované knihy je následující: pro změnu každého pixelu na časové ose je vytvořeno více (nebo jedno) políček, které zahrnují všechny nedávné změny; Při detekci se aktuální pixel používá k porovnání s boxem, a pokud aktuální pixel spadá do rozsahu jakéhokoli boxu, jedná se o pozadí.
Hybridní Gaussův model
Hybridní gaussovské modelování pozadí je jedním z úspěšnějších modelování pozadí.
Proč to říkáš? Algoritmy strojového vidění vylučují základní problémy, kterým se pohybující cíle vyskytují: třes obrazu, rušení šumu, změny světla, driftování oblaků, stíny (včetně stínů cílů a stínů objektů mimo oblast), odrazy uvnitř oblasti (například na hladině vody, displeji), pomalý pohyb pohybujících se cílů atd. Podívejme se tedy, jak hybridní Gaussovské modelování pozadí tyto problémy řeší?
Prostřednictvím modelování pozadí a extrakce popředí jsou cílové objekty ve video snímku extrahovány, ale extrahované jsou všechny objekty mimo pozadí, tedy smíšené, mohou zahrnovat mnoho lidí, aut, zvířat a dalších objektů, a nakonec vyhledávání obrázků k porovnání podobnosti mezi objektem a cílem vyhledávání, zde je nutné tyto smíšené objekty oddělit detekcí a sledováním objektů.
Pokud jde o detekci objektů, mezi naučené algoritmy patří bayesovská metoda, Kalmanův filtr a částicový filtr, přičemž vztah mezi nimi je následující:
Bayesovská metoda využívá známé informace k určení hustoty pravděpodobnosti systému a získání optimálního řešení pro odhad stavu systému.
Pro lineární Gaussovské odhady je očekávaná hustota pravděpodobnosti stále Gaussovským rozdělením a její charakteristiky rozdělení lze popsat pomocí průměrů a rozptylů, přičemž Kalmanův filtr tento typ odhadu dobře řeší.
Částicový filtr – Sekvenční důležitostní vzorkovací filtr je analogový statistický filtr vhodný pro silnou nelinearnost a bez Gaussových omezení.
Celkově je účinek filtrace částic lepší;
Zpracování osvětlení: Vizuální efekt stejného objektu při různém osvětlení je odlišný a odpovídající data jsou také odlišná, proto je pro zvýšení přesnosti analýzy a zaznamenání nutné provést světelnou úpravu na cílovém objektu; Pokud jde o zpracování světla, populárnějším algoritmem v oboru je metoda dekompozice vlastního obrazu;
Rozklad vlastního obrazu
Nejdůležitější informace, které reprezentují vlastnosti každého pixelu na snímku získaném fotoaparátem, jsou jas (stínování) a albedo (odrazivost). Jas odpovídá světelným informacím v prostředí a albedo odpovídá materiálovým informacím objektu, tedy charakteristikám odrazu objektu vůči světlu, a albedo je především barevná informace objektu. Problém řešení vnitřního obrazu spočívá v tom, že se začne od obrazu, obnoví jas a albedové informace ve scéně odpovídající všem pixelům a vytvoří vlastní mapu jasu a albeda
Vnitřní rozklad obrazu lze vyjádřit jako I(x,y) = L(x,y)R(x,y), kde I(x,y) představuje vstupní obraz, R(x,y) albedový obraz a L(x,y) představuje jasový obraz. Protože v logaritmickém poli je násobení převedeno na mnohem jednodušší sčítání, počítáme v logaritmickém poli obrazu, přičemž /(X,y) = log(I(x, y)), r0,y) = log(R(x,mínu)), l(x,y) = log(L(x,y)). Původní násobilovací vztah se tedy transformuje na: i(x,y,t) = r(x,y) + l(x,y,t).
|
Předchozí:Typescript TimeDateFormats řetězceDalší:asp.net pozadí tutoriál pro hangfire framework
|
Pronajímatel|
Zveřejněno 03.06.2019 9:17:36
|
No tak