在偵查目標追蹤過程中,采用當(dāng)前方法對視頻進行濃縮處理時,所用時間較長,濃縮處理后視頻中有效信息丟失率較高。為此,提出新的偵查目標追蹤過程中視頻濃縮方法。通過混合高斯模型模擬視頻信號,實現(xiàn)視頻前景建模和背景建模;在Camshift算法下降H分量的顏色概率分布圖和顏色直方圖相結(jié)合,對視頻中存在的圖像幀進行運算,通過調(diào)整搜索窗的大小實現(xiàn)對運動目標的追蹤;采用松弛線性規(guī)劃算法獲得目標運動軌跡對應(yīng)的最優(yōu)時間標簽,結(jié)合目標軌跡、背景序列和最優(yōu)時間標簽實現(xiàn)視頻的濃縮處理。仿真結(jié)果表明,所提方法的濃縮耗時較短,視頻中有效信息得到了有效保存。 

【文章來源】：計算機仿真. 2020,37(04)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

目標信息檢測與追蹤

利用所提的偵查目標追蹤過程中視頻濃縮方法將不同時刻同一視頻區(qū)域中出現(xiàn)的不同目標在同一視頻幀中實現(xiàn)融合,形成濃縮視頻,結(jié)果如圖2所示。分析圖2可知,采用所提的偵查目標追蹤過程中視頻濃縮方法對目標信息的檢測效果較好,且能夠?qū)δ繕诵畔崟r追蹤,形成的濃縮視頻能夠有效地保留原始信息,包括空間信息和目標信息,能夠在不丟失目標信息的情況下對有效濃縮視頻。

為驗證不同方法的運行效率,測試濃縮過程的耗時情況,數(shù)據(jù)結(jié)果由Simulink后臺自動統(tǒng)計,耗時統(tǒng)計結(jié)果如圖3所示。分析圖3可知,基于填充密度與動態(tài)規(guī)劃的視頻濃縮方法在多次迭代中的濃縮耗時呈現(xiàn)上升趨勢,當(dāng)實驗迭代次數(shù)為500次時,濃縮耗時高達800ms;基于去卷積的視頻濃縮方法的耗時僅在200和500次迭代時有所下降,整體耗時仍高于所提方法。所提的偵查目標追蹤過程中視頻濃縮方法在多次迭代中濃縮視頻所用的時間均在400ms以內(nèi),在三種方法中耗時最短。

【參考文獻】：
期刊論文
[1]基于標簽分布學(xué)習(xí)的視頻摘要算法[J]. 劉玉杰,唐順靜,高永標,李宗民,李華.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2019(01)
[2]基于排序?qū)W習(xí)的視頻摘要[J]. 王鈃潤,聶秀山,楊帆,呂鵬,尹義龍.  智能系統(tǒng)學(xué)報. 2018(06)
[3]監(jiān)控視頻濃縮進展研究[J]. 張云佐,張莎莎,呂芬芬,孫雅鵬.  電視技術(shù). 2018(05)
[4]雙通道視頻圖像多特征并行融合方法仿真[J]. 黃藝坤.  計算機仿真. 2018(04)
[5]基于去卷積的快速圖像超分辨率方法[J]. 孫超,呂俊偉,李健偉,仇榮超.  光學(xué)學(xué)報. 2017(12)
[6]基于動態(tài)規(guī)劃與填充密度的監(jiān)控視頻摘要算法[J]. 叢超.  計算機工程. 2018(07)
[7]基于目標檢測及跟蹤的視頻摘要技術(shù)研究[J]. 田合雷,丁勝,于長偉,周立.  計算機科學(xué). 2016(11)
[8]基于移動Sink的自組織視頻傳感網(wǎng)絡(luò)目標跟蹤算法[J]. 盧旭,劉軍,袁飛.  傳感技術(shù)學(xué)報. 2016(09)
[9]動態(tài)環(huán)境下多媒體視頻興趣區(qū)的自動捕獲系統(tǒng)設(shè)計[J]. 許金元.  現(xiàn)代電子技術(shù). 2016(16)
[10]高性能視頻編碼幀間預(yù)測的單元劃分優(yōu)化算法[J]. 單娜娜,周巍,段哲民,魏恒璐.  電子與信息學(xué)報. 2016(05)



本文編號：3475775