|
|
Yayınlandı 23.05.2019 18:54:43
|
|
|
Akıllı video alma algoritması
Video alımı, video içeriğini analiz etmek, videolardan önemli bilgileri çıkarmak, ilgili süreçleri işaretlemek veya işlemek, karşılık gelen olaylar ve alarm izleme yöntemleri oluşturmak için video algoritmalarına dayanır; böylece insanlar çeşitli özellik tanımları üzerinden hızlıca ulaşabilirler. Kamera bir kişinin gözleri olarak görülürse, akıllı video gözetim sistemi insan beyni olarak anlaşılabilir. Akıllı video teknolojisi, işlemcinin güçlü hesaplama fonksiyonunu kullanarak video ekranındaki devasa verileri yüksek hızda analiz eder ve insanların ihtiyaç duyduğu bilgileri elde eder.
Kare farkı modeli
Kare farkı en basit arka plan modeli olarak adlandırılabilir; videodaki bir görüntüyü arka plan olarak belirtir, mevcut kareyi arka planla karşılaştırır, küçük farkları gerektiğinde filtreler ve sonuç ön plan olur.
Arka plan istatistiksel modeli
Arka plan istatistiksel modeli, arka planı belirli bir zaman diliminde sayıp ardından istatistiklerini (ortalama, ortalama fark, standart sapma, ortalama kayma değeri vb.) hesaplayan ve istatistikleri arka plan olarak kullanan bir yöntemdir.
Bu arka plan modelini kodlayın
Kodlanmış kitabın temel fikri şöyledir: zaman çizelgesindeki her pikselin değişimi için, tüm son değişiklikleri içeren birden fazla (veya bir) kutu oluşturun; Tespit edilirken, mevcut piksel kutu ile karşılaştırma için kullanılır ve mevcut piksel herhangi bir kutunun aralığına giriyorsa, arka plan olarak gösterilir.
Hibrit Gauss modeli
Hibrit Gauss arka plan modellemesi en başarılı arka plan modellemelerinden biridir.
Neden böyle diyorsun? Makine görüşü algoritmaları, hareketli hedeflerin karşılaştığı temel sorunları ortaya çıkarır: görüntü sarsıntısı, gürültü girişimi, ışık değişiklikleri, bulut kayması, gölgeler (hedef gölgeleri ve alanın dışındaki nesne gölgeleri dahil), alan içindeki yansımalar (örneğin su yüzeyi, ekran), hareketli hedeflerin yavaş hareketi vb. O halde bir bakalım, hibrit Gauss arka plan modellemesi bu sorunları nasıl çözüyor?
Arka plan modellemesi ve ön plan çıkarımı yoluyla video çerçevesindeki hedef nesneler çıkarılır, ancak çıkarılanlar tamamen arka plan dışı nesnelerdir; yani karışık, birçok insan, araba, hayvan ve diğer nesneleri içerebilir; son olarak nesne ile arama hedefi arasındaki benzerliği karşılaştırmak için görüntü araması yapılır; burada bu karışık nesneleri nesne algılama ve takip yoluyla ayırmak gerekir.
Nesne algılama açısından öğrenilen algoritmalar arasında Bayes yöntemi, Kalman filtresi ve parçacık filtresi bulunur ve bunlar arasındaki ilişki şöyledir:
Bayes yöntemi, bilinen bilgileri kullanarak sistemin olasılık yoğunluk fonksiyonunu belirler ve sistem durumunun tahmini için optimal çözümü elde eder.
Doğrusal Gauss tahmin problemleri için, beklenen olasılık yoğunluk fonksiyonu hâlâ Gauss dağılımıdır ve dağılım özellikleri ortalamalar ve varyanslarla tanımlanabilir; Kalman filtresi bu tür tahmin problemlerini iyi çözer.
Parçacık filtresi - Dizi önemi örnekleme parçacık filtresi, güçlü doğrusal olmayanlığa ve Gauss kısıtlamaları olmaya uygun analog tabanlı istatistiksel bir filtredir.
Genel olarak, parçacık filtrelemenin etkisi daha iyidir;
Aydınlatma işleme: Aynı nesnenin farklı aydınlatma altında görsel etkisi farklıdır ve ilgili veriler de farklıdır, bu nedenle analiz ve geri çağırma doğruluğunu artırmak için hedef nesne üzerinde aydınlatma işlemi yapılması gerekir; Işık işleme açısından sektörde daha popüler algoritma içsel görüntü ayrıştırma yöntemidir;
Özgörüntü ayrıştırması
Kameranın elde ettiği görüntüdeki her piksel değerinin özellikleriyle temsil edilen en önemli bilgiler parlaklık (gölgeleme) ve albedo (yansıtma) özellikleridir. Parlaklık, çevredeki aydınlatma bilgisine karşılık gelir, albedo ise nesnenin maddi bilgisine, yani nesnenin ışığa yansıtma özelliklerine karşılık gelir ve albedo esas olarak nesnenin renk bilgisidir. İçsel görüntünün çözümü sorunu, görüntüden başlayıp sahnedeki tüm piksellere karşılık gelen parlaklık ve albedo bilgisini geri kazandırmak ve sırasıyla parlaklık özmahanası ile albedo özmahanası oluşturmaktır
İçsel görüntü ayrıştırması I(x,y) = L(x,y)R(x,y) olarak ifade edilebilir; burada I(x,y) giriş görüntüsünü, R(x,y) albedo görüntünü ve L(x,y) parlaklık görüntüsünü temsil eder. Logaritmik alanda çarpma çok daha kolay bir toplamaya dönüştürüldüğünden, görüntünün logaritmik alanında /(X,y) = log(I(x, y)), r0,y) = log(R(x,az)), l(x,y) = log(L(x,y)) hesaplarız. Böylece, orijinal çarpma ilişkisi şu şekilde dönüştürülür: i(x,y,t) = r(x,y) + l(x,y,t).
|
Önceki:Typescript TimeDateDate formats stringsÖnümüzdeki:asp.net arka plan görevi hangfire framework eğitimi
|
Ev sahibi|
Yayınlandı 3.06.2019 09:17:36
|
Hadi