Інтелектуальний алгоритм пошуку відео
Пошук відео базується на відеоалгоритмах для аналізу відеоконтенту, вилучення ключової інформації з відео, маркування або обробки пов'язаних процесів, а також формування відповідних методів моніторингу подій і тривог, щоб люди могли швидко отримувати інформацію через різні описи атрибутів. Якщо камеру розглядати як очі людини, то інтелектуальну систему відеоспостереження можна розуміти як людський мозок. Інтелектуальна відеотехнологія використовує потужну обчислювальну функцію процесора для аналізу величезних даних на відеоекрані на високій швидкості та отримання необхідної інформації.
Модель різниці кадрів
Різницю кадрів можна назвати найпростішою моделлю фону: вказувати зображення у відео як фон, порівнювати поточний кадр із фоном, фільтрувати невеликі відмінності за потреби — і результатом стає передній план.
Фонова статистична модель
Фонова статистична модель — це метод підрахунку фону за певний період часу, а потім обчислення його статистики (таких як середнє, середня різниця, стандартне відхилення, середнє значення дрейфу тощо) і використання цієї статистики як фону.
Закодуйте цю фонову модель
Основна ідея закодованої книги така: для зміни кожного пікселя на часовій лінії створюють кілька (або одне) блоків, які включають усі останні зміни; Під час виявлення поточний піксель використовується для порівняння з коробкою, і якщо поточний піксель потрапляє в діапазон будь-якої коробки, це фон.
Гібридна гаусова модель
Гібридне гаусівське моделювання фону є одним із найуспішніших моделювання.
Чому ти так кажеш? Алгоритми машинного зору виявляють основні проблеми, з якими стикаються рухомі цілі: тремтіння зображення, шумові перешкоди, зміни світла, дрейф хмар, тіні (включаючи тіні цілей і об'єктів поза зоною), відблиски всередині зони (наприклад, поверхня води, дисплей), повільний рух рухомих цілей тощо. Отже, давайте розглянемо, як гібридне гаусівське моделювання фону вирішує ці проблеми?
За допомогою моделювання фону та вилучення переднього плану цільові об'єкти у відеокадрі витягуються, але всі вони не є фоновими об'єктами, тобто змішаними, можуть включати багато людей, автомобілів, тварин та інших об'єктів, а також пошук зображень для порівняння схожості між об'єктом і ціллю пошуку; тут необхідно розділити ці змішані об'єкти за допомогою виявлення та відстеження об'єктів.
Щодо виявлення об'єктів, вивчені алгоритми включають баєсівський метод, кальманівський фільтр і фільтр частинок, і взаємозв'язок між ними виглядає так:
Баєсівський метод використовує відому інформацію для встановлення функції густини ймовірності системи та отримання оптимального розв'язку для оцінки стану системи.
Для лінійних задач оцінки Гаусса очікувана функція густини ймовірності все ще є гаусівським розподілом, і її характеристики розподілу можна описати за допомогою засобів і дисперсій, а фільтр Кальмана добре розв'язує таку задачу оцінки.
Фільтр частинок — Фільтр частинок для важливості послідовності є аналоговим статистичним фільтром, який підходить для сильної нелінійності та без гауссових обмежень.
Загалом, ефект фільтрації частинок кращий;
Обробка освітлення: Візуальний ефект одного й того ж об'єкта при іншому освітленні різний, і відповідні дані також різні, тому для підвищення точності аналізу та відтворення необхідно провести освітлення на цільовому об'єкті; Щодо обробки світла, найпопулярнішим алгоритмом у галузі є метод внутрішньої декомпозиції зображень;
Розклад власних образів
Найважливішими інформаціями, представленими властивостями кожного значення пікселя на зображенні, отриманому камерою, є яскравість (затінення) та альбедо (відбиття). Яскравість відповідає інформації про освітлення в навколишньому середовищі, альбедо — матеріальній інформації об'єкта, тобто характеристикам відбиття об'єкта на світло, а альбедо — це переважно кольорова інформація об'єкта. Завдання розв'язання внутрішнього зображення полягає в тому, щоб почати з самого зображення, відновити інформацію про яскравість і альбедо у сцені, що відповідає всім пікселям, і сформувати відповідно власне відображення яскравості та альбедо
Внутрішня декомпозиція зображення може бути виражена як I(x,y) = L(x,y)R(x,y), де I(x,y) — вхідне зображення, R(x,y) — альбедо-зображення, а L(x,y) — зображення яскравості. Оскільки в логарифмічному полі множення перетворюється на набагато простіше додавання, ми обчислюємо в логарифмічному полі зображення, де /(X,y) = log(I(x, y)), r0,y) = log(R(x,less)), l(x,y) = log(L(x,y)). Отже, початкове відношення множення перетворюється на: i(x,y,t) = r(x,y) + l(x,y,t).
|
Опубліковано 23.05.2019 18:54:43
|
|
|
Орендодавець|
Опубліковано 03.06.2019 09:17:36
|
Давай