|
|
Publisert på 23.05.2019 18:54:43
|
|
|
Intelligent videogjenfinningsalgoritme
Videogjenfinning baserer seg på videoalgoritmer for å analysere videoinnhold, hente ut nøkkelinformasjon i videoer, markere eller prosessere relaterte prosesser, og danne tilsvarende metoder for overvåking av hendelser og alarmer, slik at folk raskt kan hente ut ulike attributtbeskrivelser. Hvis kameraet betraktes som en persons øyne, kan det intelligente videoovervåkningssystemet forstås som menneskehjernen. Intelligent videoteknologi bruker prosessorens kraftige databehandlingsfunksjon for å analysere enorme mengder data på videoskjermen i høy hastighet og hente informasjonen folk trenger.
Rammedifferansemodell
Bildeforskjell kan sies å være den enkleste bakgrunnsmodellen, spesifiser et bilde i videoen som bakgrunn, sammenligner den nåværende rammen med bakgrunnen, filtrerer de små forskjellene etter behov, og resultatet blir forgrunnen.
Bakgrunnsstatistisk modell
Bakgrunnsstatistisk modell er en metode for å telle bakgrunnen over en tidsperiode, og deretter beregne dens statistikk (som gjennomsnitt, gjennomsnittsforskjell, standardavvik, gjennomsnittlig driftverdi osv.), og bruke statistikken som bakgrunn.
Kode denne bakgrunnsmodellen
Grunnideen i den kodede boken er som følger: for endringen av hver piksel på tidslinjen, etabler flere (eller én) bokser som inkluderer alle nylige endringer; Ved deteksjon brukes den nåværende pikselen til å sammenligne med boksen, og hvis den nåværende pikselen ligger innenfor området til en hvilken som helst boks, er det bakgrunnen.
Hybrid Gaussisk modell
Hybrid Gaussisk bakgrunnsmodellering er en av de mer vellykkede bakgrunnsmodelleringene.
Hvorfor sier du det? Maskinsynsalgoritmer trekker ut de grunnleggende problemene som bevegelige mål står overfor: bilderisting, støyforstyrrelser, lysendringer, skydriving, skygger (inkludert målskygger og objektskygger utenfor området), refleksjoner inne i området (som vannoverflate, skjerm), langsom bevegelse av bevegelige mål, osv. La oss derfor se på, hvordan løser hybrid Gaussisk bakgrunnsmodellering disse problemene?
Gjennom bakgrunnsmodellering og forgrunnsutvinning blir målobjektene i videorammen hentet ut, men de ekstraherte er alle ikke-bakgrunnsobjekter, det vil si blandede, kan inkludere mange personer, biler, dyr og andre objekter, og til slutt er bildesøk for å sammenligne likheten mellom objektet og søkemålet, her er det nødvendig å skille disse blandede objektene gjennom objektdeteksjon og sporing.
Når det gjelder objektdeteksjon, inkluderer algoritmene som læres Bayesiansk metode, Kalman-filter og partikkelfilter, og forholdet mellom dem er som følger:
Bayesiansk metode bruker kjent informasjon for å etablere sannsynlighetstetthetsfunksjonen til systemet og oppnå den optimale løsningen for estimeringen av systemets tilstand.
For lineære Gaussiske estimeringsproblemer er den forventede sannsynlighetstetthetsfunksjonen fortsatt Gaussisk fordeling, og dens fordelingskarakteristikker kan beskrives med gjennomsnitt og varianser, og Kalman-filteret løser denne typen estimeringsproblem godt.
Partikkelfilter – Partikkelfilter for sekvensviktighet er et analogt basert statistisk filter som egner seg for sterk ikke-linearitet og uten Gaussiske begrensninger.
Alt i alt er effekten av partikkelfiltrering bedre;
Lysbehandling: Den visuelle effekten av det samme objektet under ulik belysning er forskjellig, og de tilsvarende dataene er også forskjellige, så for å forbedre nøyaktigheten i analyse og gjenkalling er det nødvendig å utføre lysbehandling på målobjektet; Når det gjelder lysbehandling, er den mest populære algoritmen i bransjen den intrinsiske bildedekomponeringsmetoden;
Egenbildedekomponering
Den viktigste informasjonen som representeres av egenskapene til hver pikselverdi i bildet som kameraet oppnår, er lysstyrke (skyggelegging) og albedo (reflektans). Lysstyrken tilsvarer lysinformasjonen i omgivelsene, og albedoen tilsvarer objektets materielle informasjon, det vil si objektets refleksjonsegenskaper til lyset, og albedoen er hovedsakelig fargeinformasjonen til objektet. Problemet med å løse det intrinsiske bildet er å starte fra bildet, gjenopprette lysstyrke- og albedoinformasjonen i scenen som tilsvarer alle piksler, og danne henholdsvis lysstyrkeegenkartet og albedoegenkartet
Den intrinsiske bildedekomponeringen kan uttrykkes som I(x,y) = L(x,y)R(x,y), hvor I(x,y) representerer inngangsbildet, R(x,y) representerer albedobildet, og L(x,y) representerer lysstyrkebildet. Fordi multiplikasjon i det logaritmiske feltet konverteres til en mye enklere addisjon, beregner vi i det logaritmiske feltet til bildet, med /(X,y) = log(I(x, y)), r0,y) = log(R(x,less)), l(x,y) = log(L(x,y)). Dermed transformeres det opprinnelige multiplikasjonsforholdet til: i(x,y,t) = r(x,y) + l(x,y,t).
|
Foregående:Typescript TimeDateDate-formatstrengerNeste:asp.net Bakgrunnsoppgave Hangfire Framework veiledning
|
Vert|
Publisert på 03.06.2019 09:17:36
|
Kom igjen