|
|
Geplaatst op 23-05-2019 18:54:43
|
|
|
Intelligent video-opsporingsalgoritme
Video-ophalen is afhankelijk van video-algoritmen om videocontent te analyseren, belangrijke informatie uit video's te extraheren, gerelateerde processen te markeren of te verwerken, en bijbehorende methoden voor het monitoren van gebeurtenissen en alarmen te vormen, zodat mensen snel verschillende attributenbeschrijvingen kunnen ophalen. Als de camera wordt gezien als de ogen van een persoon, kan het intelligente videobewakingssysteem worden begrepen als het menselijk brein. Intelligente videotechnologie gebruikt de krachtige computerfunctie van de processor om enorme hoeveelheden data op het videoscherm met hoge snelheid te analyseren en de informatie te verkrijgen die mensen nodig hebben.
Frameverschilmodel
Frameverschil kan worden beschouwd als het eenvoudigste achtergrondmodel: een afbeelding in de video als achtergrond specificeren, het huidige frame vergelijken met de achtergrond, de kleine verschillen filteren waar nodig, en het resultaat is de voorgrond.
Achtergrondstatistisch model
Het achtergrondstatistisch model is een methode waarbij de achtergrond over een bepaalde periode wordt geteld, en vervolgens de statistieken wordt berekend (zoals gemiddelde, gemiddelde verschil, standaarddeviatie, gemiddelde driftwaarde, enz.), en de statistieken als achtergrond worden gebruikt.
Codeer dit achtergrondmodel
Het basisidee van het gecodeerde boek is als volgt: voor de wijziging van elke pixel op de tijdlijn stel je meerdere (of één) vakjes vast die alle recente wijzigingen bevatten; Bij het detecteren wordt de huidige pixel gebruikt om te vergelijken met de doos, en als de huidige pixel binnen het bereik van een vakje valt, is het de achtergrond.
Hybride Gaussiaans model
Hybride Gaussische achtergrondmodellering is een van de succesvollere achtergrondmodelleringen.
Waarom zeg je dat? Machine vision-algoritmen halen de basisproblemen van bewegende doelen uit: beeldschudding, ruisinterferentie, lichtveranderingen, wolkenafdrijving, schaduwen (inclusief doel- en objectschaduwen buiten het gebied), reflecties binnen het gebied (zoals wateroppervlak, display), trage beweging van bewegende doelen, enzovoort. Laten we dus eens kijken: hoe lost hybride Gaussian background modeling deze problemen op?
Door achtergrondmodellering en voorgrondextractie worden de doelobjecten in het videoframe geëxtraheerd, maar de geëxtraheerde objecten zijn allemaal niet-achtergrondobjecten, dat wil zeggen gemengd, kunnen veel mensen, auto's, dieren en andere objecten omvatten, en tenslotte wordt de beeldzoekopdracht gebruikt om de gelijkenis tussen het object en het zoekdoel te vergelijken; hier is het noodzakelijk deze gemengde objecten te scheiden via objectdetectie en tracking.
Wat betreft objectdetectie omvatten de geleerde algoritmen de Bayesiaanse methode, Kalman-filter en deeltjesfilter, en de relatie tussen deze methoden is als volgt:
De Bayesiaanse methode gebruikt bekende informatie om de waarschijnlijkheidsdichtheidsfunctie van het systeem vast te stellen en de optimale oplossing te verkrijgen voor de schatting van de systeemtoestand.
Voor lineaire Gaussische schattingsproblemen is de verwachte waarschijnlijkheidsdichtheidsfunctie nog steeds de Gaussische verdeling, en de eigenschappen van de verdeling kunnen worden beschreven door middelen en varianties, en het Kalman-filter lost dit soort schattingsprobleem goed op.
Deeltjesfilter - Sequence importance sampling particle filter is een analoge statistische filter die geschikt is voor sterke niet-lineariteit en zonder Gaussische beperkingen.
Over het algemeen is het effect van deeltjesfiltering beter;
Lichtverwerking: Het visuele effect van hetzelfde object onder andere verlichting is verschillend, en de bijbehorende gegevens zijn ook verschillend, dus om de nauwkeurigheid van analyse en herinnering te verbeteren, is het noodzakelijk om lichtbehandeling toe te passen op het doelobject; Wat betreft lichtverwerking is het populairste algoritme in de industrie de intrinsieke beelddecompositiemethode;
Eigenbeelddecompositie
De belangrijkste informatie die wordt weergegeven door de eigenschappen van elke pixelwaarde in het beeld dat door de camera wordt verkregen, zijn helderheid (schaduw) en albedo (reflectie). De helderheid komt overeen met de lichtinformatie in de omgeving, en de albedo komt overeen met de materiële informatie van het object, dat wil zeggen de reflectiekenmerken van het object ten opzichte van het licht, en de albedo is voornamelijk de kleurinformatie van het object. Het probleem van het oplossen van het intrinsieke beeld is om te beginnen met het beeld, de helderheids- en albedo-informatie in de scène te herstellen die overeenkomt met alle pixels, en respectievelijk de helderheidseigenmap en de albedo-eigenafbeelding te vormen
De intrinsieke beelddecompositie kan worden uitgedrukt als I(x,y) = L(x,y)R(x,y), waarbij I(x,y) het invoerbeeld vertegenwoordigt, R(x,y) het albedobeeld, en L(x,y) het helderheidsbeeld. Omdat in het logaritmisch veld de vermenigvuldiging wordt omgezet in een veel eenvoudigere optelling, berekenen we in het logaritmische veld van het beeld, met /(X,y) = log(I(x, y)), r0,y) = log(R(x,less)), l(x,y) = log(L(x,y)). Zo wordt de oorspronkelijke vermenigvuldigingsrelatie omgezet tot: i(x,y,t) = r(x,y) + l(x,y,t).
|
Vorig:Typescript TimeDateDate-formatstringsVolgend:asp.net achtergrondtaak hangfire framework tutorial
|
Huisbaas|
Geplaatst op 03-06-2019 09:17:36
|
Kom nou