|
|
Veröffentlicht am 23.05.2019 18:54:43
|
|
|
Intelligenter Videoabrufalgorithmus
Videoabruf basiert auf Videoalgorithmen, um Videoinhalte zu analysieren, wichtige Informationen in Videos zu extrahieren, verwandte Prozesse zu markieren oder zu verarbeiten sowie entsprechende Methoden zur Überwachung von Ereignissen und Alarmen zu erstellen, sodass Menschen schnell verschiedene Attributbeschreibungen abrufen können. Wenn die Kamera als Augen einer Person betrachtet wird, kann das intelligente Videoüberwachungssystem als das menschliche Gehirn verstanden werden. Intelligente Videotechnologie nutzt die leistungsstarke Rechenfunktion des Prozessors, um große Daten auf dem Videobildschirm mit hoher Geschwindigkeit zu analysieren und die benötigten Informationen zu erhalten.
Frame-Differenzmodell
Frame-Differenz kann als das einfachste Hintergrundmodell bezeichnet werden: Man gibt ein Bild im Video als Hintergrund an, vergleicht das aktuelle Bild mit dem Hintergrund, filtert die kleinen Unterschiede nach Bedarf, und das Ergebnis ist der Vordergrund.
Hintergrundstatistisches Modell
Das Hintergrund-Statistikmodell ist eine Methode, bei der der Hintergrund über einen bestimmten Zeitraum gezählt und dann seine Statistiken (wie Mittelwert, Mittelwert, Standardabweichung, mittlerer Driftwert usw.) berechnet und die Statistik als Hintergrund verwendet wird.
Kodieren Sie dieses Hintergrundmodell
Die Grundidee des codierten Buches lautet wie folgt: Für die Änderung jedes Pixels auf der Zeitleiste werden mehrere (oder eine) Kästchen eingerichtet, die alle aktuellen Änderungen enthalten; Beim Erkennen wird der aktuelle Pixel verwendet, um mit der Box zu vergleichen, und wenn der aktuelle Pixel im Bereich einer beliebigen Box liegt, ist es der Hintergrund.
Hybrides Gaußsches Modell
Hybride Gaußsche Hintergrundmodellierung ist eine der erfolgreichsten Hintergrundmodellierungen.
Warum sagst du das? Maschinelle Vision-Algorithmen extrahieren die grundlegenden Probleme bewegter Ziele: Bildschütteln, Rauschstörungen, Lichtveränderungen, Wolkendrift, Schatten (einschließlich Ziel- und Objektschatten außerhalb des Bereichs), Reflexionen innerhalb des Bereichs (wie Wasseroberfläche, Display), langsame Bewegungen bewegter Ziele usw. Schauen wir uns also an, wie hybride Gaußsche Hintergrundmodellierung diese Probleme löst?
Durch Hintergrundmodellierung und Vordergrundextraktion werden die Zielobjekte im Videorahmen extrahiert, aber die extrahierten Objekte sind alle nicht-hintergrundbezogen, das heißt, gemischt, können viele Personen, Autos, Tiere und andere Objekte umfassen, und schließlich erfolgt die Bildsuche, um die Ähnlichkeit zwischen Objekt und Suchziel zu vergleichen; hier ist es notwendig, diese gemischten Objekte durch Objekterkennung und -verfolgung zu trennen.
Im Hinblick auf die Objekterkennung umfassen die gelernten Algorithmen die Bayessche Methode, den Kalman-Filter und den Teilchenfilter, und die Beziehung zwischen ihnen ist wie folgt:
Die Bayessche Methode verwendet bekannte Informationen, um die Wahrscheinlichkeitsdichtefunktion des Systems zu bestimmen und die optimale Lösung für die Abschätzung des Systemzustands zu erhalten.
Für lineare Gaußsche Schätzungsaufgaben ist die erwartete Wahrscheinlichkeitsdichtefunktion immer noch die Gaußsche Verteilung, und ihre Verteilungseigenschaften können durch Mittelwerte und Varianzen beschrieben werden; der Kalman-Filter löst diese Art von Schätzproblem gut.
Partikelfilter – Sequence Importance Sampling Particle Filter ist ein analog basierter statistischer Filter, der für starke Nichtlinearität und ohne Gaußsche Einschränkungen geeignet ist.
Insgesamt ist der Effekt der Teilchenfilterung besser;
Lichtverarbeitung: Der visuelle Effekt desselben Objekts unter unterschiedlicher Beleuchtung ist unterschiedlich, und auch die entsprechenden Daten sind unterschiedlich, daher ist es notwendig, zur Verbesserung der Genauigkeit von Analyse und Abruf eine Lichtbehandlung am Zielobjekt durchzuführen; Im Bereich der Lichtverarbeitung ist der in der Branche beliebtere Algorithmus die intrinsische Bildzerlegungsmethode;
Eigenbildzerlegung
Die wichtigsten Informationen, die durch die Eigenschaften jedes Pixelwerts im von der Kamera erhaltenen Bild dargestellt werden, sind Helligkeit (Schattierung) und Albedo (Reflexion). Die Helligkeit entspricht den Lichtinformationen in der Umgebung, und der Albedo entspricht den materiellen Informationen des Objekts, also den Reflexionseigenschaften des Objekts gegenüber dem Licht, und der Albedo ist hauptsächlich die Farbinformation des Objekts. Das Problem, das intrinsische Bild zu lösen, besteht darin, mit dem Bild zu beginnen, die Helligkeits- und Albedo-Informationen in der Szene wiederherzustellen, die allen Pixeln entsprechen, und die Helligkeitseigenabbildung bzw. Albedo-Eigenabbildung zu bilden
Die intrinsische Bildzerlegung kann als I(x,y) = L(x,y)R(x,y) ausgedrückt werden, wobei I(x,y) das Eingabebild, R(x,y) das Albedobild und L(x,y) das Helligkeitsbild darstellt. Da im logarithmischen Feld die Multiplikation in eine viel einfachere Addition umgewandelt wird, berechnen wir im logarithmischen Feld des Bildes mit /(X,y) = log(I(x, y)), r0,y) = log(R(x,less)), l(x,y) = log(L(x,y)). Somit wird die ursprüngliche Multiplikationsbeziehung umgewandelt zu: i(x,y,t) = r(x,y) + l(x,y,t).
|
Vorhergehend:Typescript TimeDateDate-FormatstringsNächster:asp.net Hintergrundaufgaben-Hangfire-Framework-Tutorial
|
Vermieter|
Veröffentlicht am 03.06.2019 09:17:36
|
Komm schon