|
|
Δημοσιεύτηκε στις 23/5/2019 6:54:43 μ.μ.
|
|
|
Έξυπνος αλγόριθμος ανάκτησης βίντεο
Η ανάκτηση βίντεο βασίζεται σε αλγόριθμους βίντεο για την ανάλυση περιεχομένου βίντεο, την εξαγωγή βασικών πληροφοριών σε βίντεο, την επισήμανση ή την επεξεργασία σχετικών διαδικασιών και τη διαμόρφωση αντίστοιχων συμβάντων και μεθόδων παρακολούθησης συναγερμών, έτσι ώστε οι χρήστες να μπορούν να ανακτούν γρήγορα μέσω διαφόρων περιγραφών χαρακτηριστικών. Εάν η κάμερα θεωρείται ως τα μάτια ενός ατόμου, το έξυπνο σύστημα παρακολούθησης βίντεο μπορεί να γίνει κατανοητό ως ο ανθρώπινος εγκέφαλος. Η έξυπνη τεχνολογία βίντεο χρησιμοποιεί την ισχυρή υπολογιστική λειτουργία του επεξεργαστή για να αναλύει τεράστια δεδομένα στην οθόνη βίντεο με υψηλή ταχύτητα και να λαμβάνει τις πληροφορίες που χρειάζονται οι άνθρωποι.
Μοντέλο διαφοράς πλαισίου
Η διαφορά καρέ μπορεί να ειπωθεί ότι είναι το απλούστερο μοντέλο φόντου, καθορίστε μια εικόνα στο βίντεο ως φόντο, συγκρίνετε το τρέχον καρέ με το φόντο, φιλτράρετε τις μικρές διαφορές όπως απαιτείται και το αποτέλεσμα είναι το προσκήνιο.
Στατιστικό μοντέλο υποβάθρου
Το στατιστικό μοντέλο υποβάθρου είναι μια μέθοδος μέτρησης του υποβάθρου για μια χρονική περίοδο και, στη συνέχεια, υπολογισμού των στατιστικών του (όπως μέσος όρος, μέση διαφορά, τυπική απόκλιση, μέση τιμή μετατόπισης κ.λπ.) και χρήση των στατιστικών στοιχείων ως φόντου.
Κωδικοποιήστε αυτό το μοντέλο φόντου
Η βασική ιδέα του κωδικοποιημένου βιβλίου είναι η εξής: για την αλλαγή κάθε pixel στη γραμμή χρόνου, δημιουργήστε πολλαπλά (ή ένα) πλαίσια που περιλαμβάνουν όλες τις πρόσφατες αλλαγές. Κατά την ανίχνευση, το τρέχον pixel χρησιμοποιείται για σύγκριση με το πλαίσιο και εάν το τρέχον pixel εμπίπτει στο εύρος οποιουδήποτε πλαισίου, είναι το φόντο.
Υβριδικό μοντέλο Gauss
Η υβριδική μοντελοποίηση υποβάθρου Gauss είναι μια από τις πιο επιτυχημένες μοντελοποιήσεις υποβάθρου.
Γιατί το λες αυτό; Οι αλγόριθμοι μηχανικής όρασης εξάγουν τα βασικά προβλήματα που αντιμετωπίζουν οι κινούμενοι στόχοι: κούνημα εικόνας, παρεμβολές θορύβου, αλλαγές φωτός, μετατόπιση σύννεφων, σκιές (συμπεριλαμβανομένων των σκιών στόχων και σκιών αντικειμένων εκτός της περιοχής), αντανακλάσεις εντός της περιοχής (όπως επιφάνεια νερού, οθόνη), αργή κίνηση κινούμενων στόχων κ.λπ. Ας ρίξουμε λοιπόν μια ματιά, πώς η υβριδική μοντελοποίηση υποβάθρου Gauss λύνει αυτά τα προβλήματα;
Μέσω της μοντελοποίησης φόντου και της εξαγωγής προσκηνίου, εξάγονται τα αντικείμενα-στόχοι στο καρέ βίντεο, αλλά τα εξαγόμενα είναι όλα αντικείμενα εκτός φόντου, δηλαδή μικτά, μπορεί να περιλαμβάνουν πολλούς ανθρώπους, αυτοκίνητα, ζώα και άλλα αντικείμενα και, τέλος, η αναζήτηση εικόνων για να συγκρίνετε την ομοιότητα μεταξύ του αντικειμένου και του στόχου αναζήτησης, εδώ είναι απαραίτητο να διαχωρίσετε αυτά τα μικτά αντικείμενα μέσω ανίχνευσης και παρακολούθησης αντικειμένων.
Όσον αφορά την ανίχνευση αντικειμένων, οι αλγόριθμοι που μαθαίνονται περιλαμβάνουν τη μέθοδο Bayes, το φίλτρο Kalman και το φίλτρο σωματιδίων και η σχέση μεταξύ τους είναι η εξής:
Η μέθοδος Bayes χρησιμοποιεί γνωστές πληροφορίες για να καθορίσει τη συνάρτηση πυκνότητας πιθανότητας του συστήματος και να λάβει τη βέλτιστη λύση για την εκτίμηση της κατάστασης του συστήματος.
Για γραμμικά προβλήματα εκτίμησης Gauss, η αναμενόμενη συνάρτηση πυκνότητας πιθανότητας εξακολουθεί να είναι κατανομή Gauss και τα χαρακτηριστικά κατανομής της μπορούν να περιγραφούν με μέσα και διακυμάνσεις και το φίλτρο Kalman λύνει καλά αυτό το είδος προβλήματος εκτίμησης.
Φίλτρο σωματιδίων - Δειγματοληψία σημασίας ακολουθίας Το φίλτρο σωματιδίων είναι ένα αναλογικό στατιστικό φίλτρο κατάλληλο για ισχυρή μη γραμμικότητα και χωρίς περιορισμούς Gauss.
Συνολικά, η επίδραση του φιλτραρίσματος σωματιδίων είναι καλύτερη.
Επεξεργασία φωτισμού: Το οπτικό αποτέλεσμα του ίδιου αντικειμένου κάτω από διαφορετικό φωτισμό είναι διαφορετικό και τα αντίστοιχα δεδομένα είναι επίσης διαφορετικά, επομένως για να βελτιωθεί η ακρίβεια της ανάλυσης και της ανάκλησης, είναι απαραίτητο να γίνει επεξεργασία φωτισμού στο αντικείμενο-στόχο. Όσον αφορά την επεξεργασία φωτός, ο πιο δημοφιλής αλγόριθμος στη βιομηχανία είναι η εγγενής μέθοδος αποσύνθεσης εικόνας.
Αποσύνθεση ιδιοεικόνας
Οι πιο σημαντικές πληροφορίες που αντιπροσωπεύονται από τις ιδιότητες κάθε τιμής pixel στην εικόνα που λαμβάνεται από την κάμερα είναι η φωτεινότητα (σκίαση) και η λευκαύγεια (ανάκλαση). Η φωτεινότητα αντιστοιχεί στις πληροφορίες φωτισμού στο περιβάλλον και η λευκαύγεια αντιστοιχεί στις υλικές πληροφορίες του αντικειμένου, δηλαδή στα χαρακτηριστικά ανάκλασης του αντικειμένου στο φως, και η λευκαύγεια είναι κυρίως οι πληροφορίες χρώματος του αντικειμένου. Το πρόβλημα της επίλυσης της εγγενούς εικόνας είναι να ξεκινήσετε από την εικόνα, να επαναφέρετε τις πληροφορίες φωτεινότητας και λευκαύγειας στη σκηνή που αντιστοιχούν σε όλα τα εικονοστοιχεία και να σχηματίσετε τον ιδιοχάρτη φωτεινότητας και τον ιδιοχάρτη λευκαύγειας αντίστοιχα
Η εγγενής αποσύνθεση της εικόνας μπορεί να εκφραστεί ως I(x,y) = L(x,y)R(x,y), όπου I(x,y) αντιπροσωπεύει την εικόνα εισόδου, R(x,y) αντιπροσωπεύει την εικόνα albedo και L(x,y) αντιπροσωπεύει την εικόνα φωτεινότητας. Επειδή στο λογαριθμικό πεδίο, ο πολλαπλασιασμός μετατρέπεται σε πολύ πιο εύκολη πρόσθεση, υπολογίζουμε στο λογαριθμικό πεδίο της εικόνας, με /(X,y) = log(I(x, y)), r0,y) = log(R(x,λιγότερο)), l(x,y) = log(L(x,y)). Έτσι, η αρχική σχέση πολλαπλασιασμού μετατρέπεται σε: i(x,y,t) = r(x,y) + l(x,y,t).
|
Προηγούμενος:Στοιχειοσειρές μορφών Typescript TimeDateDateΕπόμενος:asp.net σεμινάριο πλαισίου hangfire εργασιών στο παρασκήνιο
|
Σπιτονοικοκύρης|
Δημοσιεύτηκε στις 3/6/2019 9:17:36 π.μ.
|
Έλα