|
|
Pubblicato su 23/05/2019 18:54:43
|
|
|
Algoritmo intelligente di recupero video
Il recupero video si basa su algoritmi video per analizzare i contenuti video, estrarre le informazioni chiave nei video, segnalare o processare processi correlati e formare metodi corrispondenti di monitoraggio di eventi e allarmi, così che le persone possano recuperare rapidamente attraverso varie descrizioni degli attributi. Se la telecamera è considerata come gli occhi di una persona, il sistema intelligente di videosorveglianza può essere inteso come il cervello umano. La tecnologia video intelligente utilizza la potente funzione di calcolo del processore per analizzare dati massicci sullo schermo video ad alta velocità e ottenere le informazioni di cui le persone hanno bisogno.
Modello di differenza di frame
La differenza di frame può essere definita il modello di sfondo più semplice: specificare un'immagine nel video come sfondo, confrontare il frame corrente con lo sfondo, filtrare le piccole differenze secondo necessità, e il risultato è il primo piano.
Modello statistico di base
Il modello statistico di background è un metodo per contare il background su un certo periodo di tempo, poi calcolarne le statistiche (come media, differenza media, deviazione standard, valore di deriva media, ecc.), utilizzando le statistiche come sfondo.
Codifica questo modello di background
L'idea di base del libro codificato è la seguente: per la modifica di ogni pixel sulla timeline, stabilire più (o una) caselle che includano tutte le modifiche recenti; Durante il rilevamento, il pixel corrente viene usato per confrontare con la riquadra, e se il pixel attuale rientra nell'intervallo di una riquadra, è lo sfondo.
Modello gaussiano ibrido
La modellazione dello sfondo gaussiano ibrida è una delle più efficaci nel modellaggio dello sfondo.
Perché lo dici? Gli algoritmi di visione artificiale estraggono i problemi fondamentali affrontati dai bersagli in movimento: tremolio dell'immagine, interferenze rumorose, cambiamenti di luce, drifting delle nuvole, ombre (incluse le ombre dei bersagli e ombre degli oggetti all'esterno dell'area), riflessi all'interno dell'area (come la superficie dell'acqua, il display), il movimento lento dei bersagli in movimento, ecc. Diamo quindi un'occhiata: come risolve questi problemi la modellazione ibrida gaussiana dello sfondo?
Attraverso la modellazione dello sfondo ed estrazione in primo piano, gli oggetti target nel fotogramma video vengono estratti, ma quelli estratti sono tutti oggetti non di sfondo, cioè misti, possono includere molte persone, automobili, animali e altri oggetti, e infine la ricerca di immagini per confrontare la somiglianza tra oggetto e bersaglio di ricerca; qui è necessario separare questi oggetti misti tramite rilevamento e tracciamento degli oggetti.
In termini di rilevamento degli oggetti, gli algoritmi appresi includono il metodo bayesiano, il filtro di Kalman e il filtro delle particelle, e la relazione tra loro è la seguente:
Il metodo bayesiano utilizza informazioni note per stabilire la funzione di densità di probabilità del sistema e ottenere la soluzione ottimale per la stima dello stato del sistema.
Per i problemi di stima gaussiana lineare, la funzione di densità di probabilità attesa è comunque la distribuzione gaussiana, e le sue caratteristiche di distribuzione possono essere descritte tramite mezzi e varianze, e il filtro di Kalman risolve bene questo tipo di problema di estimazione.
Filtro particellare - Il filtro a campionamento per importanza della sequenza è un filtro statistico analogico adatto a una forte non linearità e senza vincoli gaussiani.
Nel complesso, l'effetto del filtraggio delle particelle è migliore;
Elaborazione dell'illuminazione: L'effetto visivo dello stesso oggetto sotto illuminazione diversa è diverso, e anche i dati corrispondenti sono diversi, quindi per migliorare la precisione dell'analisi e del richiamo è necessario effettuare un trattamento dell'illuminazione sull'oggetto target; In termini di elaborazione della luce, l'algoritmo più popolare nel settore è il metodo di decomposizione intrinseca delle immagini;
Decomposizione a immagine propria
Le informazioni più importanti rappresentate dalle proprietà di ogni valore di pixel nell'immagine ottenuta dalla fotocamera sono la luminosità (ombreggiatura) e l'albedo (riflettanza). La luminosità corrisponde alle informazioni di illuminazione nell'ambiente, e l'albedo corrisponde alle informazioni materiali dell'oggetto, cioè le caratteristiche di riflessione dell'oggetto alla luce, mentre l'albedo è principalmente l'informazione di colore dell'oggetto. Il problema per risolvere l'immagine intrinseca è partire dall'immagine, ripristinare le informazioni di luminosità e albedo nella scena corrispondenti a tutti i pixel, e formare rispettivamente la automappa di luminosità e quella di albedo
La decomposizione intrinseca dell'immagine può essere espressa come I(x,y) = L(x,y)R(x,y), dove I(x,y) rappresenta l'immagine di input, R(x,y) rappresenta l'immagine dell'albedo e L(x,y) rappresenta l'immagine di luminosità. Poiché nel campo logaritmico la moltiplicazione viene convertita in un'addizione molto più semplice, calcoliamo nel campo logaritmico dell'immagine, con /(X,y) = log(I(x, y)), r0,y) = log(R(x,less)), l(x,y) = log(L(x,y)). Quindi, la relazione di moltiplicazione originale si trasforma in: i(x,y,t) = r(x,y) + l(x,y,t).
|
Precedente:Stringhe di formati TimeDateDate di TypescriptProssimo:asp.net tutorial sul framework hangfire per compiti di background
|
Padrone di casa|
Pubblicato su 03/06/2019 09:17:36
|
Dai