2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩72頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、隨著“平安城市”理念的提出,數(shù)以萬計的監(jiān)控設(shè)備被安裝到銀行、學校、走廊等地方,每天都會產(chǎn)生大量的監(jiān)控視頻,這給我們的視頻瀏覽、檢索、存儲等工作帶來巨大的挑戰(zhàn)。而視頻濃縮技術(shù)正是解決這些問題的一種有效手段,在大大縮短監(jiān)控視頻的長度的同時卻不丟失原始視頻中的運動信息。該技術(shù)不但可以實現(xiàn)高效存儲,而且更便于用戶瀏覽、檢索監(jiān)控視頻,已然成為當下處理監(jiān)控視頻的一項熱門技術(shù)。
  本文先系統(tǒng)地闡述了監(jiān)控視頻的濃縮原理,然后分別介紹了整個濃縮過

2、程中幾個關(guān)鍵的流程步驟,如運動物體檢測、運動物體跟蹤、軌跡的組合優(yōu)化等,針對這幾個步驟中現(xiàn)有算法的局限性,本文分別提出了相應(yīng)的改進算法,最后得到濃縮結(jié)果。論文的主要工作如下:
  由于基于單一特征的背景建模方法存在一定的局限性,所以為了提高運動物體檢測的魯棒性和準確性,本文提出了一種基于紋理特征的SI LTP和基于顏色特征的單高斯相結(jié)合的背景建模算法。在該方法中,首先利用SILTP的紋理模型提取運動前景和背景,然后再利用單高斯顏色

3、模型對目標紋理與背景紋理相近處進行檢測,從而修正誤判的前景和背景。實驗結(jié)果表明:與其他單一特征的背景建模方法相比,本算法檢測出的運動物體輪廓更加清晰,在召回率和虛警率上均優(yōu)于單一特征的背景建模方法。
  為了提高運動物體跟蹤的準確度,本文提出了一種基于 Camshift與SIFT線性融合的軌跡跟蹤算法。在該融合算法中,首先利用Camshift跟蹤算法對運動物體進行一個初始的跟蹤,得到跟蹤區(qū)域,然后再利用 SIFT對跟蹤區(qū)域進行特征

4、提取與匹配,校準跟蹤區(qū)域,最后將Camshift的跟蹤結(jié)果與校準結(jié)果進行線性融合,得到最終的軌跡跟蹤結(jié)果。實驗結(jié)果表明:與MeanShift和Camshift相比,本算法的跟蹤誤差最小,能較好地完成目標的跟蹤。
  為了保持濃縮視頻的空間一致性和減少碰撞,本文提出了一種基于時間軸轉(zhuǎn)移的軌跡優(yōu)化方法。在該方法中,利用能量代價函數(shù)來衡量原始視頻到濃縮視頻的轉(zhuǎn)化,當能量代價函數(shù)最小時,軌跡的優(yōu)化效果最好。最后在原視頻中更新提取背景圖像,

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論