|
|
Опубликовано 23.05.2019 18:54:43
|
|
|
Интеллектуальный алгоритм поиска видео
Поиск видео опирается на видеоалгоритмы для анализа видеоконтента, извлечения ключевой информации из них, маркировки или обработки связанных процессов, а также формирования соответствующих событий и методов мониторинга тревог, чтобы люди могли быстро получать информацию через различные описания атрибутов. Если рассматривать камеру как глаза человека, то интеллектуальную систему видеонаблюдения можно понять как человеческий мозг. Интеллектуальная видеотехнология использует мощную вычислительную функцию процессора для анализа огромных данных на видеоэкране на высокой скорости и получения необходимой информации.
Модель разницы кадров
Разницу кадров можно назвать самой простой моделью фона: укажите изображение в видео как фон, сравните текущий кадр с фоном, отфильтруйте мелкие различия по необходимости, и результатом становится передний план.
Справочная статистическая модель
Фоновая статистическая модель — это метод подсчёта фона за определённый период времени, затем вычисления его статистики (таких как средняя, разница среднего, стандартное отклонение, значение среднего дрейфа и т.д.), а также использование статистики в качестве фона.
Закодуйте эту фоновую модель
Основная идея закодированной книги такова: для изменения каждого пикселя на временной шкале создайте несколько (или один) блоков, включающих все недавние изменения; При обнаружении используется текущий пиксель для сравнения с коробкой, и если текущий пиксель находится в диапазоне любой коробки, это фон.
Гибридная гауссовская модель
Гибридное гауссово моделирование фона — одно из наиболее успешных видов моделирования фона.
Почему Вы так говорите? Алгоритмы машинного зрения выявляют основные проблемы, с которыми сталкиваются движущиеся цели: тряска изображения, помехи шума, изменения света, дрейф облаков, тени (включая тени целей и объектов вне области), отражения внутри зоны (например, поверхность воды, дисплей), медленное движение движущихся целей и т.д. Давайте посмотрим, как гибридное гауссово фоновое моделирование решает эти проблемы?
С помощью фонового моделирования и экстракции на переднем плане целевые объекты в видеокадре извлекаются, но извлекаемые объекты — это все нефоновые объекты, то есть смешанные, могут включать множество людей, автомобилей, животных и других объектов, и, наконец, поиск изображения для сравнения сходства между объектом и целью поиска; здесь необходимо разделить эти смешанные объекты с помощью обнаружения и отслеживания объектов.
С точки зрения обнаружения объектов изученные алгоритмы включают байесовский метод, кальмановский фильтр и фильтр частиц, и связь между ними следующая:
Байесовский метод использует известную информацию для установления функции плотности вероятности системы и получения оптимального решения оценки состояния системы.
Для линейных задач оценки по Гауссу ожидаемая функция плотности вероятности всё равно является гауссовским распределением, и её характеристики распределения можно описать средствами и дисперсиями, а фильтр Калмана хорошо решает такую задачу оценки.
Фильтр частиц — фильтр для выборки по важности последовательностей — это аналоговый статистический фильтр, подходящий для сильной нелинейности и отсутствия гауссовских ограничений.
В целом, эффект фильтрации частиц лучше;
Обработка освещения: Визуальный эффект одного и того же объекта при разном освещении отличается, и соответствующие данные также различаются, поэтому для повышения точности анализа и воспоминания необходимо провести освещение целевого объекта; С точки зрения обработки света, более популярным алгоритмом в отрасли является метод внутреннего разложения изображения;
Разложение собственных образов
Наиболее важная информация, представленная свойствами каждого значения пикселя на изображении, полученной камерой, — это яркость (затенение) и альбедо (отражение). Яркость соответствует информации о освещении в окружающей среде, альбедо — материальной информации объекта, то есть характеристикам отражения объекта на свет, а альбедо — это в основном цветовая информация объекта. Задача решения внутреннего изображения заключается в том, чтобы начать с изображения, восстановить информацию о яркости и альбедо в сцене, соответствующую всем пикселям, и сформировать собственное отображение яркости и альбедо соответственно
Внутренняя декомпозиция изображения может быть выражена как I(x,y) = L(x,y)R(x,y), где I(x,y) — входное изображение, R(x,y) — изображение альбедо, а L(x,y) — изображение яркости. Поскольку в логарифмическом поле умножение преобразуется в гораздо более простое сложение, мы вычисляем в логарифмическом поле изображения с /(X,y) = log(I(x, y)), r0,y) = log(R(x,less)), l(x,y) = log(L(x,y)). Таким образом, исходное отношение умножения преобразуется в: i(x,y,t) = r(x,y) + l(x,y,t).
|
Предыдущий:Typescript TimeDateDate format строкиСледующий:asp.net обучающий материал по фоновой задаче Hangfire Framework.
|
Хозяин|
Опубликовано 03.06.2019 9:17:36
|
Давай