|
|
Zverejnené 23. 5. 2019 18:54:43
|
|
|
Inteligentný algoritmus na vyhľadávanie videa
Vyhľadávanie videa sa spolieha na video algoritmy na analýzu video obsahu, extrakciu kľúčových informácií z videí, označovanie alebo spracovanie súvisiacich procesov a vytváranie zodpovedajúcich metód monitorovania udalostí a alarmov, aby ľudia mohli rýchlo vyhľadávať prostredníctvom rôznych popisov atribútov. Ak je kamera považovaná za oči človeka, inteligentný video dohľadový systém možno chápať ako ľudský mozog. Inteligentná video technológia využíva výkonnú výpočtovú funkciu procesora na analýzu obrovských dát na obrazovke vo vysokej rýchlosti a získavanie informácií, ktoré ľudia potrebujú.
Model rozdielu snímok
Rozdiel snímok možno označiť za najjednoduchší model pozadia, špecifikovať obraz vo videu ako pozadie, porovnať aktuálny záber s pozadím, podľa potreby filtrovať malé rozdiely a výsledkom je popredie.
Štatistický model pozadia
Pozadie štatistický model je metóda počítania pozadia počas určitého časového obdobia a následného výpočtu jeho štatistík (ako je priemer, priemerný rozdiel, štandardná odchýlka, hodnota priemerného posunu a pod.) a využívania štatistík ako pozadia.
Naprogramujte tento model pozadia
Základná myšlienka zakódovanej knihy je nasledovná: pre zmenu každého pixelu na časovej osi zriadiť viacero (alebo jeden) políčka, ktoré zahŕňajú všetky nedávne zmeny; Pri detekcii sa používa aktuálny pixel na porovnanie s boxom, a ak aktuálny pixel spadá do rozsahu akéhokoľvek boxu, je to pozadie.
Hybridný Gaussov model
Hybridné Gaussovo modelovanie pozadia je jedným z úspešnejších modelov pozadia.
Prečo to hovoríš? Algoritmy strojového videnia vyzdvihujú základné problémy, ktorým čelia pohybujúce sa ciele: trasenie obrazu, rušenie šumu, zmeny svetla, driftovanie oblakov, tiene (vrátane tieňov cieľov a tieňov objektov mimo oblasti), odrazy vo vnútri oblasti (napríklad na hladine vody, displej), pomalý pohyb pohybujúcich sa cieľov a podobne. Pozrime sa teda, ako hybridné Gaussovo modelovanie pozadia rieši tieto problémy?
Prostredníctvom modelovania pozadia a extrakcie popredia sa cieľové objekty vo video snímke extrahujú, ale extrahované sú všetky objekty mimo pozadia, teda zmiešané, môžu zahŕňať mnoho ľudí, áut, zvierat a iných objektov, a nakoniec vyhľadávanie obrázkov na porovnanie podobnosti medzi objektom a cieľom vyhľadávania, kde je potrebné tieto zmiešané objekty oddeliť detekciou a sledovaním objektov.
Pokiaľ ide o detekciu objektov, medzi naučené algoritmy patria bayesovská metóda, Kalmanov filter a časticový filter, pričom vzťah medzi nimi je nasledovný:
Bayesovská metóda využíva známe informácie na určenie funkcie hustoty pravdepodobnosti systému a získanie optimálneho riešenia pre odhad stavu systému.
Pre lineárne Gaussovské odhadové problémy je očakávaná hustota pravdepodobnosti stále Gaussovským rozdelením a jej charakteristiky rozdelenia možno opísať pomocou priemerov a rozptylov, pričom Kalmanov filter tento typ problému odhadu rieši dobre.
Časticový filter - Sekvenciový dôležitý vzorkovací filter je analógový štatistický filter vhodný pre silnú nelinearitu a bez Gaussovských obmedzení.
Celkovo je účinok filtrovania častíc lepší;
Spracovanie osvetlenia: Vizuálny efekt toho istého objektu pod rôznym osvetlením je odlišný a zodpovedajúce údaje sú tiež odlišné, preto je na zlepšenie presnosti analýzy a zapamätania potrebné vykonať svetelnú úpravu na cieľovom objekte; Pokiaľ ide o spracovanie svetla, populárnejším algoritmom v priemysle je metóda vnútorného rozkladu obrazu;
Rozklad vlastného obrazu
Najdôležitejšie informácie reprezentované vlastnosťami každej hodnoty pixelu na snímke získanom kamerou sú jas (tieňovanie) a albedo (odrazivosť). Jas zodpovedá informáciám o osvetlení v prostredí a albedo zodpovedá materiálovým informáciám objektu, teda charakteristikám odrazu objektu voči svetlu, pričom albedo je hlavne farebná informácia objektu. Problémom riešenia vnútorného obrazu je začať od obrázka, obnoviť jas a albedové informácie v scéne zodpovedajúce všetkým pixelom a vytvoriť vlastnú mapu jasu a albeda
Vnútorný rozklad obrazu možno vyjadriť ako I(x,y) = L(x,y)R(x,y), kde I(x,y) predstavuje vstupný obraz, R(x,y) predstavuje albedový obraz a L(x,y) predstavuje jasový obraz. Keďže v logaritmickom poli sa násobenie prevádza na oveľa jednoduchšie sčítanie, vypočítame v logaritmickom poli obrazu s /(X,y) = log(I(x, y)), r0,y) = log(R(x,menej)), l(x,y) = log(L(x,y)). Pôvodný násobiaci vzťah sa teda transformuje na: i(x,y,t) = r(x,y) + l(x,y,t).
|
Predchádzajúci:Formáty Typescript TimeDateDateBudúci:asp.net pozadie tutoriál frameworku Hangfire
|
Prenajímateľ|
Zverejnené 3. 6. 2019 9:17:36
|
Poďme