|
|
Postitatud 23.05.2019 18:54:43
|
|
|
Intelligentne videootsingu algoritm
Video otsingu tugineb videoalgoritmidele, mis analüüsivad videosisu, eraldavad videotest võtmeinfot, märgistavad või töötlevad seotud protsesse ning moodustavad vastavad sündmuste ja alarmide jälgimismeetodid, et inimesed saaksid kiiresti erinevate atribuutide kirjelduste kaudu kätte saada. Kui kaamerat vaadeldakse inimese silmana, võib intelligentset videovalvesüsteemi mõista kui inimese aju. Intelligentne videotehnoloogia kasutab protsessori võimsat arvutusfunktsiooni, et analüüsida videoekraanil olevaid tohutuid andmeid suure kiirusega ja saada vajalikku teavet.
Kaadrierinevuse mudel
Kaadrierinevust võib nimetada kõige lihtsamaks taustamudeliks: määra video pilt taustaks, võrdle praegust kaadrit taustaga, filtreeri väikseid erinevusi vastavalt vajadusele ning tulemuseks on esiplaan.
Tauststatistiline mudel
Tauststatistiline mudel on meetod, mille käigus loendatakse taust teatud aja jooksul ja seejärel arvutatakse selle statistika (näiteks keskmine, keskmine erinevus, standardhälve, keskmine triiviväärtus jne), kasutades statistikat taustana.
Kodeeri see taustamudel
Kodeeritud raamatu põhiidee on järgmine: iga ajajoone piksli muutmiseks määra mitu (või üks) kasti, mis sisaldavad kõiki hiljutisi muudatusi; Tuvastamisel kasutatakse praegust pikslit, et võrrelda kastiga, ja kui praegune piksel jääb mõne kasti vahemikku, on see taust.
Hübriidne Gaussi mudel
Hübriidne Gaussi taustamodelleerimine on üks edukamaid taustamodelleerimisi.
Miks sa nii ütled? Masinnägemise algoritmid toovad välja põhilised probleemid, millega liikuvad sihtmärgid silmitsi seisavad: pildi värin, mürahäired, valguse muutused, pilvede triivimine, varjud (sh sihtmärgi varjud ja objektivarjud väljaspool ala), peegeldused ala sees (näiteks veepind, ekraan), liikuvate sihtmärkide aeglane liikumine jne. Vaatame siis, kuidas lahendab hübriidne Gaussi taustamodelleerimine neid probleeme?
Taustamodelleerimise ja esiplaani eraldamise abil eraldatakse videokaadri sihtobjektid, kuid eemaldatud objektid on kõik mitte-taustaobjektid, st segatud objektid, mis võivad sisaldada palju inimesi, autosid, loomi ja muid objekte, ning lõpuks pildiotsing, et võrrelda objekti ja otsingusihtmärgi sarnasust; siin on vajalik need segatud objektid objektide tuvastamise ja jälgimise abil eraldada.
Objektide tuvastamise osas õpitakse Bayesi meetodit, Kalmani filtrit ja osakestefiltrit ning nende omavaheline seos on järgmine:
Bayesi meetod kasutab teadaolevat infot, et määrata süsteemi tõenäosustiheduse funktsioon ja saada optimaalne lahendus süsteemi seisundi hindamiseks.
Lineaarsete Gaussi hindamisprobleemide puhul on oodatav tõenäosustiheduse funktsioon endiselt Gaussi jaotus ning selle jaotuse omadusi saab kirjeldada meetodite ja dispersioonide abil, ning Kalmani filter lahendab selle tüüpi hindamisprobleemi hästi.
Osakestefilter – järjestuse tähtsuse valimine osakestefilter on analoogpõhine statistiline filter, mis sobib tugeva mittelineaarsuse ja Gaussi piiranguteta hoidmiseks.
Üldiselt on osakeste filtreerimise mõju parem;
Valgustuse töötlemine: Sama objekti visuaalne efekt erineva valgustuse all on erinev ning vastavad andmed on samuti erinevad, seega analüüsi ja meenutamise täpsuse parandamiseks on vaja teha sihtobjektile valgustustöötlust; Valguse töötlemise osas on tööstuses populaarsem algoritm sisemise pildi lagundamise meetod;
Omakujutise dekompositsioon
Kõige olulisemad andmed, mida esindavad iga piksli väärtuse omadused pildil, mida kaamera saab, on heledus (varjutamine) ja albedo (peegeldus). Heledus vastab keskkonna valgustusinformatsioonile, albedo vastab objekti materiaalsele infole, st objekti peegeldusomadustele valgusele, ning albedo on peamiselt objekti värviinfo. Sisemise pildi lahendamise probleem seisneb selles, et alustada pildist, taastada stseenis heledus- ja albeedoinformatsioon, mis vastab kõigile pikslitele, ning moodustada vastavalt heleduse omakaart ja albedo omakaart
Sisemise pildi dekompositsiooni saab väljendada kujul I(x,y) = L(x,y)R(x,y), kus I(x,y) tähistab sisendpilti, R(x,y) tähistab albeedopilti ja L(x,y) heleduse pilti. Kuna logaritmilises väljas teisendatakse korrutamine palju lihtsamaks liitmiseks, arvutame pildi logaritmilises väljas /(X,y) = log(I(x, y)), r0,y) = log(R(x,vähem)), l(x,y) = log(L(x,y)). Seega teisendatakse algne korrutusseos järgmiselt: i(x,y,t) = r(x,y) + l(x,y,t).
|
Eelmine:Typescript TimeDateDate formats stringsJärgmine:asp.net taustaülesande hangfire'i raamistiku õpetus
|
Üürileandja|
Postitatud 03.06.2019 09:17:36
|
Ole nüüd