|
|
Publicerad på 2019-05-23 18:54:43
|
|
|
Intelligent videoåtervinningsalgoritm
Videohämtning bygger på videoalgoritmer för att analysera videoinnehåll, extrahera nyckelinformation i videor, markera eller processa processer och skapa motsvarande metoder för övervakning av händelser och larm, så att människor snabbt kan hämta genom olika attributbeskrivningar. Om kameran betraktas som en persons ögon kan det intelligenta videoövervakningssystemet förstås som den mänskliga hjärnan. Intelligent videoteknik använder processorns kraftfulla datorfunktion för att analysera enorma data i videoskärmen i hög hastighet och få den information som människor behöver.
Ramdifferensmodell
Bildskillnad kan sägas vara den enklaste bakgrundsmodellen, ange en bild i videon som bakgrund, jämför den aktuella bildrutan med bakgrunden, filtrera de små skillnaderna vid behov, och resultatet blir förgrunden.
Bakgrundsstatistisk modell
Bakgrundsstatistisk modell är en metod för att räkna bakgrunden över en tidsperiod och sedan beräkna dess statistik (såsom medelvärde, medelskillnad, standardavvikelse, medeldriftvärde etc.) och använda statistiken som bakgrund.
Koda denna bakgrundsmodell
Grundidén med den kodade boken är följande: för förändringen av varje pixel på tidslinjen, skapa flera (eller en) rutor som inkluderar alla senaste ändringar; Vid detektering används den aktuella pixeln för att jämföra med boxen, och om den nuvarande pixeln ligger inom intervallet för någon box är det bakgrunden.
Hybrid Gaussisk modell
Hybrid Gaussisk bakgrundsmodellering är en av de mer framgångsrika bakgrundsmodelleringen.
Varför säger du det? Maskinseendealgoritmer utvinner de grundläggande problemen som rörliga mål står inför: bildskakningar, brusstörningar, ljusförändringar, molndrift, skuggor (inklusive målskuggor och objektskuggor utanför området), reflektioner inuti området (såsom vattenyta, display), långsam rörelse av rörliga mål, etc. Så låt oss titta på, hur löser hybrid Gaussisk bakgrundsmodellering dessa problem?
Genom bakgrundsmodellering och förgrundsextraktion extraheras målobjekten i videoramen, men de extraherade är alla icke-bakgrundsobjekt, det vill säga blandade, kan inkludera många personer, bilar, djur och andra objekt, och slutligen bildsökning för att jämföra likheten mellan objektet och sökmålet, här är det nödvändigt att separera dessa blandade objekt genom objektdetektering och spårning.
När det gäller objektdetektion inkluderar de inlärda algoritmerna Bayesiansk metod, Kalmanfilter och partikelfilter, och relationen mellan dem är följande:
Bayesiansk metod använder känd information för att fastställa sannolikhetstäthetsfunktionen för systemet och erhålla den optimala lösningen för uppskattning av systemets tillstånd.
För linjära Gaussiska skattningsproblem är den förväntade sannolikhetstäthetsfunktionen fortfarande Gaussisk fördelning, och dess fördelningsegenskaper kan beskrivas med medel och varianser, och Kalmanfiltret löser denna typ av skattningsproblem väl.
Partikelfilter – Partikelfilter för sekvensviktsprovtagning är ett analogt statistiskt filter som är lämpligt för stark icke-linjäritet och inga Gaussiska begränsningar.
Överlag är effekten av partikelfiltrering bättre;
Ljusbearbetning: Den visuella effekten av samma objekt under olika belysning är olika, och motsvarande data skiljer sig också, så för att förbättra analys- och återkallningsnoggrannheten är det nödvändigt att göra ljusbehandling på målobjektet; När det gäller ljusbearbetning är den mer populära algoritmen i branschen metoden för intrinsisk bilddekomposition;
Egenbildsdekomposition
Den viktigaste informationen som representeras av egenskaperna hos varje pixelvärde i bilden som kameran får är ljusstyrka (skuggning) och albedo (reflektans). Ljusstyrkan motsvarar ljusinformationen i miljön, och albedo motsvarar objektets materiella information, det vill säga objektets reflektionsegenskaper mot ljuset, och albedo är huvudsakligen färginformationen för objektet. Problemet med att lösa den intrinsiska bilden är att börja från bilden, återställa ljusstyrka och albedoinformation i scenen som motsvarar alla pixlar, och bilda ljushetsegenkartan respektive albedoegenkartan
Den intrinsiska bilddekompositionen kan uttryckas som I(x,y) = L(x,y)R(x,y), där I(x,y) representerar indatabilden, R(x,y) representerar albedobilden och L(x,y) representerar ljusstyrksbilden. Eftersom multiplikationen i det logaritmiska fältet omvandlas till en mycket enklare addition, beräknar vi i bildens logaritmiska fält, med /(X,y) = log(I(x, y)), r0,y) = log(R(x,less)), l(x,y) = log(L(x,y)). Således transformeras den ursprungliga multiplikationsrelationen till: i(x,y,t) = r(x,y) + l(x,y,t).
|
Föregående:Typescript TimeDateDate-formatsträngarNästa:asp.net bakgrundsuppgift Hangfire-ramverkets handledning
|
Hyresvärd|
Publicerad på 2019-06-03 09:17:36
|
Kom igen