|
|
Publicado en 23/5/2019 18:54:43
|
|
|
Algoritmo inteligente de recuperación de vídeo
La recuperación de vídeo se basa en algoritmos de vídeo para analizar el contenido de vídeo, extraer información clave en vídeos, marcar o procesar procesos relacionados y crear métodos correspondientes de monitorización de eventos y alarmas, de modo que las personas puedan acceder rápidamente a través de diversas descripciones de atributos. Si la cámara se considera como los ojos de una persona, el sistema inteligente de videovigilancia puede entenderse como el cerebro humano. La tecnología de vídeo inteligente utiliza la potente función de cálculo del procesador para analizar la gran cantidad de datos en la pantalla de vídeo a alta velocidad y obtener la información que la gente necesita.
Modelo de diferencia de fotogramas
La diferencia de fotogramas puede considerarse el modelo de fondo más sencillo, especificar una imagen en el vídeo como fondo, comparar el fotograma actual con el fondo, filtrar las pequeñas diferencias según sea necesario, y el resultado es el primer plano.
Modelo estadístico de fondo
El modelo estadístico de fondo es un método para contar el fondo durante un periodo de tiempo y luego calcular sus estadísticas (como media, diferencia media, desviación estándar, valor de deriva media, etc.), utilizando la estadística como fondo.
Codifica este modelo de fondo
La idea básica del libro codificado es la siguiente: para el cambio de cada píxel en la línea de tiempo, establecer múltiples (o una) casillas que incluyan todos los cambios recientes; Al detectar, el píxel actual se utiliza para comparar con la caja, y si el píxel actual está dentro del rango de cualquier caja, es el fondo.
Modelo gaussiano híbrido
El modelado híbrido gaussiano de fondo es uno de los modelos de fondo más exitosos.
¿Por qué dices eso? Los algoritmos de visión artificial extraen los problemas básicos que enfrentan los objetivos en movimiento: vibración de imagen, interferencias de ruido, cambios de luz, deriva de nubes, sombras (incluidas las sombras de los objetivos y las sombras de objetos fuera del área), reflejos dentro del área (como la superficie del agua, la pantalla), el movimiento lento de objetivos en movimiento, etc. Así que echemos un vistazo, ¿cómo resuelve el modelado híbrido de fondo gaussiano estos problemas?
Mediante modelado de fondo y extracción de primer plano, se extraen los objetos objetivo en el fotograma de vídeo, pero los extraídos son todos objetos no de fondo, es decir, mixtos, pueden incluir muchas personas, coches, animales y otros objetos, y finalmente la búsqueda de imágenes para comparar la similitud entre el objeto y el objetivo de búsqueda; aquí es necesario separar estos objetos mixtos mediante detección y seguimiento de objetos.
En cuanto a la detección de objetos, los algoritmos aprendidos incluyen el método bayesiano, el filtro de Kalman y el filtro de partículas, y la relación entre ellos es la siguiente:
El método bayesiano utiliza información conocida para establecer la función densidad de probabilidad del sistema y obtener la solución óptima para la estimación del estado del sistema.
Para problemas lineales de estimación gaussiana, la función de densidad de probabilidad esperada sigue siendo la distribución gaussiana, y sus características de distribución pueden describirse mediante medias y varianzas, y el filtro de Kalman resuelve bien este tipo de problema de estimación.
Filtro de partículas - El filtro de partículas por muestreo por importancia de secuencia es un filtro estadístico basado en analógico adecuado para una fuerte no linealidad y sin restricciones gaussianas.
En general, el efecto del filtrado de partículas es mejor;
Procesamiento de la iluminación: El efecto visual del mismo objeto bajo distinta iluminación es diferente, y los datos correspondientes también son diferentes, por lo que para mejorar la precisión del análisis y la recuperación es necesario realizar tratamiento de iluminación en el objeto objetivo; En cuanto al procesamiento de luz, el algoritmo más popular en la industria es el método de descomposición intrínseca de imágenes;
Descomposición por imagen propia
La información más importante representada por las propiedades de cada valor de píxel en la imagen obtenida por la cámara es el brillo (sombreado) y el albedo (reflectancia). El brillo corresponde a la información de iluminación en el entorno, y el albedo corresponde a la información material del objeto, es decir, las características de reflexión del objeto hacia la luz, y el albedo es principalmente la información de color del objeto. El problema para resolver la imagen intrínseca es partir de la imagen, restaurar la información de brillo y albedo en la escena correspondiente a todos los píxeles, y formar respectivamente el mapa de brillo propio y el mapa propio de albedo
La descomposición intrínseca de la imagen puede expresarse como I(x,y) = L(x,y)R(x,y), donde I(x,y) representa la imagen de entrada, R(x,y) representa la imagen de albedo y L(x,y) representa la imagen de brillo. Como en el campo logarítmico, la multiplicación se convierte en una suma mucho más sencilla, calculamos en el campo logarítmico de la imagen, con /(X,y) = log(I(x, y)), r0,y) = log(R(x,less)), l(x,y) = log(L(x,y)). Así, la relación original de multiplicación se transforma en: i(x,y,t) = r(x,y) + l(x,y,t).
|
Anterior:Formatos de TypeScript TimeDateDate Cadenas de formatosPróximo:asp.net tutorial de Hangfire de tareas en segundo plano
|
Propietario|
Publicado en 3/6/2019 9:17:36
|
Vamos