|
|
Közzétéve 2019. 05. 23. 18:54:43
|
|
|
Intelligens videóvisszakereső algoritmus
A videókeresés videóalgoritmusokra támaszkodik, amelyek elemzik a videótartalmat, kinyerik a videókból a kulcsfontosságú információkat, megjelölik vagy dolgozzák fel a kapcsolódó folyamatokat, valamint kialakítják a megfelelő események és riasztások monitorozási módszereket, hogy az emberek gyorsan lehessenek olvasni különböző attribútumleírásokat. Ha a kamerát egy ember szemének tekintik, az intelligens videófigyelő rendszer az emberi agyként értelmezhető. Az intelligens videótechnológia a processzor erős számítástechnikai funkcióját használja arra, hogy nagy sebességgel elemezze a videóképernyőn lévő hatalmas adatokat, és megszerezze az embereknek szükséges információkat.
Képkockakülönbség modell
A képkockakülönbség a legegyszerűbb háttérmodellnek nevezhető: egy képet a videóban háttérként jelölünk meg, összehasonlítjuk a jelenlegi képkockát a háttérrel, szükség szerint szűrjük a kis különbségeket, és az eredmény az előtér.
Háttérstatisztikai modell
A háttérstatisztikai modell egy olyan módszer, amely során a háttér egy időn át számolja meg, majd annak statisztikáit (például átlag, átlagkülönbség, szórás, átlagos drift érték stb.), és a statisztikákat háttérként használják.
Kódolja ezt a háttérmodellt
A kódolt könyv alapötlete a következő: az idővonal minden pixelének változásához több (vagy egy) dobozt kell létrehozni, amelyek tartalmazzák az összes friss változást; Észleléskor a jelenlegi pixelt használják a doboz összehasonlítására, és ha a jelenlegi pixel bármely doboz hatósugarán belül van, az a háttér.
Hibrid Gauss-modell
A hibrid Gauss-háttérmodellezés az egyik legsikeresebb háttérmodellezés.
Miért mondod ezt? A gépi látásmódú algoritmusok leválasztják a mozgó célpontok alapvető problémáit: képremegés, zajzavar, fényváltozások, felhő sodródása, árnyékok (beleértve a célárnyékokat és a területen kívüli tárgyak árnyékait), a területen belüli visszaverődések (például vízfelület, kijelző), a mozgó célpontok lassú mozgása stb. Nézzük meg, hogyan oldja meg ezeket a problémákat a hibrid Gauss-háttérmodellezés?
A háttérmodellezéssel és az előtér kivonásával a videókeretből származó célobjektumokat kinyerik, de a kinyertek mind nem háttérobjektumok, azaz kevertek, sok embert, autót, állatot és egyéb objektumot foglalhatnak magukban, végül pedig a képkeresés a tárgy és a keresőcél közötti hasonlóságok összehasonlításához; itt szükséges ezeket a vegyes objektumokat objektumfelismeréssel és követéssel szétválasztani.
Az objektumfelismerés terén a tanult algoritmusok közé tartozik a Bayesi-módszer, a Kalman-szűrő és a részecskeszűrő, amelyek között a kapcsolat a következő:
A Bayesi-módszer ismert információkat használ a rendszer valószínűségi sűrűségfüggvényének meghatározására, és az optimális megoldás megszerzésére a rendszer állapotának becsléséhez.
Lineáris Gauss-becslési problémák esetén a várható valószínűségi sűrűségfüggvény továbbra is Gauss-eloszlás, és eloszlási jellemzői eszközökkel és varianciákkal is leírhatók, és a Kalman-szűrő jól megoldja ezt a fajta becslési problémát.
Részecskeszűrő – A sorozat fontossági mintavételi részecskeszűrő egy analóg alapú statisztikai szűrő, amely erős nemlineáritáshoz és Gauss-korlátozások nélküli rendszerre alkalmas.
Összességében a részecskeszűrés hatása jobb;
Világításfeldolgozás: Ugyanaz az objektum vizuális hatása különböző világítás alatt eltérő, és a hozzá tartozó adatok is eltérőek, ezért az elemzés és visszaemlékezés pontosságának javítása érdekében szükséges világításkezelést végezni a céltárgyon; A fényfeldolgozás szempontjából az iparágban a legnépszerűbb algoritmus az intrincik képfelbontási módszer;
Eigenkép felbontás
A legfontosabb információk, amelyeket a kamera által kapott képen minden pixelérték tulajdonságai képviselnek, a fényerő (árnyékolás) és az albedó (visszaverődés). A fényerő a környezetben lévő világítási információnak felel meg, az albedó pedig az objektum anyagi információjának, azaz az objektum fényre adott visszaverődési tulajdonságainak, az albedó pedig főként az objektum színinformációja. Az intrinsikus kép megoldásának problémája az, hogy a képből indulunk, helyreállítjuk a jelenetben az összes pixelhez tartozó fényerő- és albedóinformációt, majd kialakítsuk a fényerő sajáttérképet és az albedo sajáttérképet
Az intrinsikus képfelbontás úgy fejezhető ki: I(x,y) = L(x,y)R(x,y), ahol I(x,y) a bemeneti képet, R(x,y) az albedóképet, L(x,y) pedig a fényerős képet. Mivel a logaritmikus mezőben a szorzás sokkal könnyebb összeadássá alakul, a kép logaritmikus mezőjében számoljuk ki a /(X,y) = log(I(x, y)), r0,y) = log(R(x,kisebb)), l(x,y) = log(L(x,y)). Így az eredeti szorzási kapcsolat a következőkre alakul: i(x,y,t) = r(x,y) + l(x,y,t).
|
Előző:Typescript TimeDateDate formats stringsKövetkező:asp.net háttérfeladat hangfire keretrendszer oktató
|
Háziúr|
Közzétéve 2019. 06. 03. 9:17:36
|
Gyerünk