|
|
Objavljeno na 23. 05. 2019 18:54:43
|
|
|
Inteligentni algoritem za pridobivanje videa
Pridobivanje videoposnetkov temelji na video algoritmih za analizo video vsebin, pridobivanje ključnih informacij iz videoposnetkov, označevanje ali obdelavo povezanih procesov ter oblikovanje ustreznih metod spremljanja dogodkov in alarmov, da lahko ljudje hitro pridobijo podatke z različnimi opisi atributov. Če kamero razumemo kot človeške oči, lahko inteligentni video nadzorni sistem razumemo kot človeške možgane. Inteligentna video tehnologija uporablja zmogljivo računalniško funkcijo procesorja za hitro analizo ogromnih podatkov na video zaslonu in pridobivanje informacij, ki jih ljudje potrebujejo.
Model razlik v okvirju
Razliko sličic lahko imenujemo najpreprostejši model ozadja: določite sliko v videu kot ozadje, primerjate trenutni okvir z ozadjem, po potrebi filtrirate majhne razlike in rezultat je ospredje.
Statistični ozadni model
Statistični model ozadja je metoda štetja ozadja skozi določen čas, nato pa izračuna njegove statistike (kot so povprečje, povprečna razlika, standardni odklon, povprečna vrednost odklona itd.) ter uporabo statistike kot ozadja.
Kodirajte ta ozadni model
Osnovna ideja kodirane knjige je naslednja: za spremembo vsakega piksla na časovnici vzpostavite več (ali eno) polja, ki vključujejo vse nedavne spremembe; Pri zaznavanju se trenutni piksel uporablja za primerjavo s škatlo, in če trenutni piksel spada v območje katerega koli okvirja, je to ozadje.
Hibridni Gaussov model
Hibridno Gaussovo modeliranje ozadja je eno izmed uspešnejših modelov ozadja.
Zakaj to praviš? Algoritmi strojnega vida izluščijo osnovne težave, s katerimi se soočajo premikajoči se cilji: tresenje slike, motnje šuma, spremembe svetlobe, premikanje oblakov, sence (vključno s sencami cilja in sencami objektov zunaj območja), odboji znotraj območja (kot so vodna gladina, zaslon), počasno gibanje premikajočih se ciljev itd. Poglejmo torej, kako hibridno Gaussovo modeliranje ozadja rešuje te težave?
S pomočjo modeliranja ozadja in ekstrakcije ospredja se izvlečejo ciljni objekti v video okvirju, vendar so izvlečeni vsi ne-ozadni objekti, torej mešani, lahko vključujejo veliko ljudi, avtomobile, živali in druge predmete, nazadnje pa iskanje slik za primerjavo podobnosti med objektom in iskalnim ciljem; tukaj je potrebno te mešane objekte ločiti z zaznavanjem in sledenjem objektom.
Kar zadeva zaznavanje objektov, so naučeni algoritmi Bayesova metoda, Kalmanov filter in delčni filter, odnos med njimi pa je naslednji:
Bayesova metoda uporablja znane informacije za določitev funkcije gostote verjetnosti sistema in pridobitev optimalne rešitve za oceno stanja sistema.
Za linearne Gaussove ocenjevalne probleme je pričakovana funkcija gostote verjetnosti še vedno Gaussova porazdelitev, njene značilnosti porazdelitve pa lahko opišemo s povprečji in variancami, Kalmanov filter pa tovrstne ocenjevalne probleme dobro reši.
Delčni filter - Filter za vzorčenje zaporedja je analogni statistični filter, primeren za močno nelinearnost in brez Gaussovih omejitev.
Na splošno je učinek filtriranja delcev boljši;
Obdelava osvetlitve: Vizualni učinek istega predmeta pod različno osvetlitvijo je različen, prav tako pa so različni tudi ustrezni podatki, zato je za izboljšanje natančnosti analize in priklica potrebno izvesti svetlobno obdelavo na ciljnem predmetu; Kar zadeva obdelavo svetlobe, je bolj priljubljen algoritem v industriji metoda razčlenitve intrinzičnih slik;
Razčlenitev lastnih slik
Najpomembnejše informacije, ki jih predstavljajo lastnosti vsake vrednosti piksla na sliki, ki jo zadobi kamera, so svetlost (senčenje) in albedo (odbojnost). Svetlost ustreza informacijam o osvetlitvi v okolju, albedo pa materialni informaciji predmeta, torej odbojnim značilnostim predmeta glede na svetlobo, albedo pa je predvsem barvna informacija predmeta. Težava pri reševanju intrinzične slike je začeti na sliki, obnoviti informacije o svetlosti in albedu v prizoru, ki ustrezajo vsem pikslom, ter oblikovati lastno sliko svetlosti in albedo
Notranjo razčlenitev slike lahko izrazimo kot I(x,y) = L(x,y)R(x,y), kjer I(x,y) predstavlja vhodno sliko, R(x,y) albedo sliko in L(x,y) sliko svetlosti. Ker se v logaritmičnem polju množenje pretvori v veliko lažje seštevanje, izračunamo v logaritem polju slike, pri čemer /(X,y) = log(I(x, y)), r0,y) = log(R(x,manj)), l(x,y) = log(L(x,y)). Tako se izvirni odnos množenja pretvori v: i(x,y,t) = r(x,y) + l(x,y,t).
|
Prejšnji:Typescript formati TimeDateDate, niziNaslednji:asp.net ozadje za ozadje Hangfire Framework
|
Najemodajalec|
Objavljeno na 3. 06. 2019 09:17:36
|
Ah, daj, daj