|
|
Opslået på 23/05/2019 18.54.43
|
|
|
Intelligent video-genfindelsesalgoritme
Video-hentning er afhængig af videoalgoritmer til at analysere videoindhold, udtrække nøgleinformation i videoer, markere eller behandle relaterede processer og danne tilsvarende metoder til overvågning af hændelser og alarmer, så folk hurtigt kan hente dem gennem forskellige attributbeskrivelser. Hvis kameraet betragtes som en persons øjne, kan det intelligente videoovervågningssystem forstås som den menneskelige hjerne. Intelligent videoteknologi bruger processorens kraftfulde computerfunktion til at analysere enorme mængder data på videoskærmen med høj hastighed og opnå den information, folk har brug for.
Rammeforskelsmodel
Frame-forskel kan siges at være den simpleste baggrundsmodel, angiv et billede i videoen som baggrund, sammenlign den aktuelle ramme med baggrunden, filtrer de små forskelle efter behov, og resultatet er forgrunden.
Baggrundsstatistisk model
Baggrundsstatistisk model er en metode til at tælle baggrunden over en periode og derefter beregne dens statistikker (såsom gennemsnit, middelforskel, standardafvigelse, gennemsnitlig driftværdi osv.) og bruge statistikken som baggrund.
Kod denne baggrundsmodel
Den grundlæggende idé med den kodede bog er som følger: for ændringen af hver pixel på tidslinjen, etabler flere (eller én) bokse, der inkluderer alle nylige ændringer; Når man detekterer, bruges den aktuelle pixel til at sammenligne med boksen, og hvis den nuværende pixel ligger inden for en boks, er det baggrunden.
Hybrid Gaussisk model
Hybrid Gaussisk baggrundsmodellering er en af de mere succesfulde baggrundsmodellering.
Hvorfor siger du det? Maskinvisionsalgoritmer udtrækker de grundlæggende problemer, som bevægelige mål står overfor: billedrystelser, støjforstyrrelser, lysændringer, skydrivning, skygger (inklusive målskygger og objektskygger uden for området), refleksioner inde i området (såsom vandoverflade, skærm), langsom bevægelse af bevægelige mål osv. Så lad os se på, hvordan hybrid Gaussisk baggrundsmodellering løser disse problemer?
Gennem baggrundsmodellering og forgrundsudtrækning udtrækkes målobjekterne i videorammen, men de udtrukne objekter er alle ikke-baggrundsobjekter, det vil sige blandede, kan inkludere mange mennesker, biler, dyr og andre objekter, og endelig billedsøgning for at sammenligne ligheden mellem objektet og søgemålet; her er det nødvendigt at adskille disse blandede objekter gennem objektdetektion og sporing.
Med hensyn til objektdetektion omfatter de lærte algoritmer den Bayesianske metode, Kalman-filter og partikelfilter, og forholdet mellem dem er som følger:
Bayesiansk metode bruger kendt information til at fastslå sandsynlighedstæthedsfunktionen for systemet og opnå den optimale løsning for estimeringen af systemets tilstand.
For lineære Gaussiske estimeringsproblemer er den forventede sandsynlighedstæthedsfunktion stadig Gaussisk fordeling, og dens fordelingskarakteristika kan beskrives ved gennemsnit og varianser, og Kalman-filteret løser denne type estimeringsproblem godt.
Partikelfilter - Partikelfilter for sekvensvigtighed er et analogt baseret statistisk filter, der er velegnet til stærk ikke-linearitet og uden Gaussiske begrænsninger.
Overordnet set er effekten af partikelfiltrering bedre;
Lysbehandling: Den visuelle effekt af det samme objekt under forskellig belysning er forskellig, og de tilsvarende data er også forskellige, så for at forbedre nøjagtigheden af analyse og genkaldelse er det nødvendigt at udføre lysbehandling på målobjektet; Når det gælder lysbehandling, er den mere populære algoritme i branchen den intrinsiske billeddekomponeringsmetode;
Egenbilleddekomponering
Den vigtigste information, som repræsenteres af egenskaberne ved hver pixelværdi i billedet, som kameraet opnår, er lysstyrke (skygge) og albedo (reflektans). Lysstyrken svarer til lysinformationen i omgivelserne, og albedoen svarer til objektets materielle information, det vil sige objektets refleksionskarakteristika i lyset, og albedoen er hovedsageligt farveinformationen for objektet. Problemet med at løse det intrinsiske billede er at starte med billedet, genskabe lysstyrke- og albedoinformationen i scenen, der svarer til alle pixels, og danne henholdsvis lysstyrkeegenkortet og albedoegenkortet
Den intrinsiske billeddekomposition kan udtrykkes som I(x,y) = L(x,y)R(x,y), hvor I(x,y) repræsenterer inputbilledet, R(x,y) repræsenterer albedobilledet, og L(x,y) repræsenterer lysstyrkebilledet. Fordi multiplikation i det logaritmiske felt omdannes til en meget nemmere addition, beregner vi i billedets logaritmiske felt med /(X,y) = log(I(x, y)), r0,y) = log(R(x,less)), l(x,y) = log(L(x,y)). Dermed transformeres det oprindelige multiplikationsforhold til: i(x,y,t) = r(x,y) + l(x,y,t).
|
Tidligere:Typescript TimeDateDate-formatstrengeNæste:asp.net baggrundsopgave hangfire framework tutorial
|
Udlejer|
Opslået på 03/06/2019 09.17.36
|
Kom nu