|
|
Julkaistu 23.5.2019 18.54.43
|
|
|
Älykäs videohakualgoritmi
Videon haku perustuu videoalgoritmeihin videosisällön analysointiin, videoiden avaintiedon poimimiseen, niihin liittyvien prosessien merkitsemiseen tai käsittelyyn sekä vastaavien tapahtumien ja hälytysten seurantamenetelmien muodostamiseen, jotta ihmiset voivat nopeasti hakea erilaisia attribuuttikuvauksia. Jos kameraa pidetään ihmisen silminä, älykäs videovalvontajärjestelmä voidaan ymmärtää ihmisaivoina. Älykäs videoteknologia hyödyntää prosessorin tehokasta laskentatoimintoa analysoidakseen valtavaa dataa videoruudulla suurella nopeudella ja saadakseen tarvitsemansa tiedon.
Kehyseromalli
Ruutuero voidaan sanoa yksinkertaisimmaksi taustamalliksi: määrittele videon kuva taustaksi, vertaa nykyistä ruutua taustaan, suodata pienet erot tarpeen mukaan, ja tuloksena saadaan etuala.
Taustatilastollinen malli
Taustatilastollinen malli on menetelmä, jossa tausta lasketaan tietyn ajan kuluessa, lasketaan sen tilastot (kuten keskiarvo, keskiarvoero, keskihajonta, keskimääräinen driftiarvo jne.), ja tilastoja käytetään taustana.
Koodaa tämä taustamalli
Koodatun kirjan perusidea on seuraava: jokaisen aikajanan pikselin muutokselle määritetään useita (tai yksi) ruutuja, jotka sisältävät kaikki viimeaikaiset muutokset; Tunnistuksessa käytetään nykyistä pikseliä vertaamaan laatikkoa, ja jos nykyinen pikseli on minkä tahansa laatikon kantaman sisällä, se on tausta.
Hybridi Gaussin malli
Hybridi-Gaussin taustamallinnus on yksi menestyneimmistä taustamallinnuksista.
Miksi sanot niin? Konenäköalgoritmit poimivat liikkuvien kohteiden perusongelmat: kuvan tärinää, kohinahäiriöt, valon muutokset, pilvien ajelehtiminen, varjot (mukaan lukien kohdevarjot ja alueen ulkopuoliset objektivarjot), heijastukset alueen sisällä (kuten veden pinta, näyttö), liikkuvien kohteiden hidas liike jne. Katsotaanpa siis, miten hybridi Gaussin taustamallinnus ratkaisee nämä ongelmat?
Taustamallinnuksen ja etualan poimimisen avulla kohdeobjektit videokehyksestä saadaan pois, mutta poimitut ovat kaikki ei-taustaobjekteja, eli sekoitettuja, jotka voivat sisältää monia ihmisiä, autoja, eläimiä ja muita esineitä, ja lopuksi kuvahaku vertaillaan samankaltaisuutta kohteen ja hakukohteen välillä; tässä on tarpeen erottaa nämä sekoitetut objektit esineiden havaitsemisen ja seurannan avulla.
Olioiden tunnistuksen osalta opitut algoritmit sisältävät bayesilaisen menetelmän, Kalmanin suodattimen ja hiukkassuodattimen, ja niiden välinen suhde on seuraava:
Bayesilainen menetelmä käyttää tunnettua tietoa järjestelmän todennäköisyystiheysfunktion määrittämiseen ja optimaalisen ratkaisun saamiseksi järjestelmän tilan arviointiin.
Lineaarisissa Gaussin estimaatioongelmissa odotettu todennäköisyystiheysfunktio on edelleen Gaussin jakauma, ja sen jakaumaominaisuudet voidaan kuvata keinoilla ja variansseilla, ja Kalmanin suodatin ratkaisee tämän tyyppisen estimaatioongelman hyvin.
Hiukkassuodatin – Sekvenssien tärkeysotanta hiukkassuodatin on analoginen tilastollinen suodatin, joka soveltuu vahvaan epälineaarisuuteen ilman Gaussin rajoitteita.
Kaiken kaikkiaan hiukkassuodatuksen vaikutus on parempi;
Valaistuksen käsittely: Saman kohteen visuaalinen vaikutus eri valaistuksessa on erilainen, ja vastaavat tiedot ovat myös erilaisia, joten analyysin ja muistamisen tarkkuuden parantamiseksi on tarpeen tehdä valaistuskäsittely kohdekohteeseen; Valon käsittelyn osalta alalla suositumpi algoritmi on sisäinen kuvan hajotusmenetelmä;
Ominaiskuvan hajotelma
Tärkeimmät tiedot, jotka kuvan jokaisen pikseliarvon ominaisuudet kuvassa edustavat, ovat kirkkaus (varjostus) ja albedo (heijastus). Kirkkaus vastaa ympäristön valaistusinformaatiota, albedo vastaa kohteen materiaalitietoa, eli kohteen heijastusominaisuuksia valosta, ja albedo on pääasiassa kohteen väritietoa. Sisäisen kuvan ratkaisemisen ongelmana on aloittaa kuvasta, palauttaa kohtauksen kirkkaus- ja albedoinformaatio kaikille pikseleille ja muodostaa kirkkausominaiskartta ja albedoominaiskartta vastaavasti
Kuvan sisäinen hajotelma voidaan esittää muodossa I(x,y) = L(x,y)R(x,y), missä I(x,y) edustaa syötekuvaa, R(x,y) albedokuvaa ja L(x,y) kirkkauskuvaa. Koska logaritmisessa kentässä kertolasku muunnetaan paljon helpommaksi yhteenlaskuksi, laskemme kuvan logaritmisessa kentässä /(X,y) = log(I(x, y)), r0,y) = log(R(x,vähemmän)), l(x,y) = log(L(x,y)). Näin alkuperäinen kertolaskusuhde muunnetaan muotoon: i(x,y,t) = r(x,y) + l(x,y,t).
|
Edellinen:Typescript TimeDateDate formats stringsSeuraava:asp.net taustatehtävän hangfire-kehysopas
|
Vuokraisäntä|
Julkaistu 3.6.2019 9.17.36
|
Älä viitsi