Inteliģents video izgūšanas algoritms
Video izgūšana balstās uz video algoritmiem, lai analizētu video saturu, iegūtu galveno informāciju videoklipos, atzīmētu vai apstrādātu saistītos procesus un veidotu atbilstošas notikumu un trauksmes uzraudzības metodes, lai cilvēki varētu ātri izgūt dažādus atribūtu aprakstus. Ja kamera tiek uzskatīta par cilvēka acīm, inteliģento videonovērošanas sistēmu var saprast kā cilvēka smadzenes. Inteliģenta video tehnoloģija izmanto procesora jaudīgo skaitļošanas funkciju, lai lielā ātrumā analizētu milzīgus datus video ekrānā un iegūtu cilvēkiem nepieciešamo informāciju.
Rāmja atšķirības modelis
Kadru atšķirību var uzskatīt par vienkāršāko fona modeli, norādiet attēlu videoklipā kā fonu, salīdziniet pašreizējo rāmi ar fonu, filtrējiet nelielās atšķirības pēc vajadzības, un rezultāts ir priekšplāns.
Fona statistiskais modelis
Fona statistiskais modelis ir metode, kā aprēķināt fonu laika periodā un pēc tam aprēķināt tā statistiku (piemēram, vidējo, vidējo starpību, standarta novirzi, vidējo novirzes vērtību utt.) un izmantot statistiku kā fonu.
Kodēt šo fona modeli
Kodētās grāmatas pamatideja ir šāda: katra pikseļa maiņai laika skalā izveidojiet vairākus (vai vienu) lodziņus, kas ietver visas nesenās izmaiņas; Atklājot, pašreizējais pikselis tiek izmantots, lai salīdzinātu ar lodziņu, un, ja pašreizējais pikselis ietilpst jebkura lodziņa diapazonā, tas ir fons.
Hibrīds Gausa modelis
Hibrīda Gausa fona modelēšana ir viena no veiksmīgākajām fona modelēšanām.
Kāpēc jūs to sakāt? Mašīnredzes algoritmi iegūst galvenās problēmas, ar kurām saskaras kustīgi mērķi: attēla satricinājums, trokšņa traucējumi, gaismas izmaiņas, mākoņu dreifēšana, ēnas (ieskaitot mērķa ēnas un objektu ēnas ārpus zonas), atstarojumi zonas iekšienē (piemēram, ūdens virsma, displejs), kustīgu mērķu lēna kustība utt. Tātad, apskatīsim, kā hibrīda Gausa fona modelēšana atrisina šīs problēmas?
Izmantojot fona modelēšanu un priekšplāna ekstrakciju, mērķa objekti video kadrā tiek iegūti, bet iegūtie ir visi objekti, kas nav fona, tas ir, jaukti, var ietvert daudzus cilvēkus, automašīnas, dzīvniekus un citus objektus, un, visbeidzot, attēlu meklēšana, lai salīdzinātu līdzību starp objektu un meklēšanas mērķi, šeit ir nepieciešams atdalīt šos jauktos objektus, izmantojot objektu noteikšanu un izsekošanu.
Runājot par objektu noteikšanu, apgūtie algoritmi ietver Bayesian metodi, Kalmana filtru un daļiņu filtru, un attiecības starp tiem ir šādas:
Bayesian metode izmanto zināmu informāciju, lai noteiktu sistēmas varbūtības blīvuma funkciju un iegūtu optimālu risinājumu sistēmas stāvokļa novērtēšanai.
Lineārām Gausa novērtēšanas problēmām paredzamā varbūtības blīvuma funkcija joprojām ir Gausa sadalījums, un tās sadalījuma raksturlielumus var aprakstīt ar vidējiem un dispersijām, un Kalmana filtrs labi atrisina šāda veida novērtēšanas problēmu.
Daļiņu filtrs - Secības nozīmes paraugu ņemšanas daļiņu filtrs ir analogs statistisks filtrs, kas piemērots spēcīgai nelinearitātei un bez Gausa ierobežojumiem.
Kopumā daļiņu filtrēšanas efekts ir labāks;
Apgaismojuma apstrāde: Viena un tā paša objekta vizuālais efekts dažādā apgaismojumā ir atšķirīgs, un arī attiecīgie dati ir atšķirīgi, tāpēc, lai uzlabotu analīzes un atsaukšanas precizitāti, ir nepieciešams veikt apgaismojuma apstrādi mērķa objektā; Gaismas apstrādes ziņā populārākais algoritms nozarē ir raksturīgā attēla sadalīšanās metode;
Pašattēla sadalīšanās
Vissvarīgākā informācija, ko attēlo katras pikseļa vērtības īpašības kameras iegūtajā attēlā, ir spilgtums (ēnojums) un albedo (atstarošana). Spilgtums atbilst apgaismojuma informācijai vidē, un albedo atbilst objekta materiālajai informācijai, tas ir, objekta atstarošanas īpašībām gaismā, un albedo galvenokārt ir objekta krāsu informācija. Iekšējā attēla risināšanas problēma ir sākt no attēla, atjaunot spilgtumu un albedo informāciju ainā, kas atbilst visiem pikseļiem, un veidot spilgtuma paškarti un albedo eigenmap attiecīgi
Iekšējo attēla sadalījumu var izteikt kā I(x,y) = L(x,y)R(x,y), kur I(x,y) apzīmē ievades attēlu, R(x,y) apzīmē albedo attēlu un L(x,y) apzīmē spilgtuma attēlu. Tā kā logaritmiskajā laukā reizināšana tiek pārvērsta par daudz vieglāku pievienošanu, mēs aprēķinām attēla logaritmiskajā laukā ar /(X,y) = log(I(x, y)), r0,y) = log(R(x,mazāk)), l(x,y) = log(L(x,y)). Tādējādi sākotnējā reizināšanas attiecība tiek pārveidota uz: i(x,y,t) = r(x,y) + l(x,y,t).
|
Publicēts 23.05.2019 18:54:43
|
|
|
Saimnieks|
Publicēts 03.06.2019 09:17:36
|
Nu