視頻濃縮技術(shù)對于處理海量的監(jiān)控視頻具有重要意義。濃縮視頻在縮短原始視頻時間長度的同時又保留了活動事件的動態(tài)信息。目前全景攝像頭在日常生活中不斷地升級和普及,為了適應這一發(fā)展,本文首次將視頻濃縮技術(shù)應用于全景領(lǐng)域中。相比普通視頻,全景視頻具有其獨特性。全景視頻實質(zhì)上是一個二維的視頻。全景模式的觀看是將二維的視頻投影在球面,觀看視點處于球心,形成視覺上的三維環(huán)繞效果。二維的全景視頻是將球面視頻沿球面大圓弧分割開后鋪展得到的。因此當現(xiàn)實世界中連續(xù)運動的目標經(jīng)過這條分割線時,其運動軌跡會被全景視頻的邊界線分成兩段斷裂的軌跡。同時運動目標圖像在這段時間內(nèi)被持續(xù)分割成兩個不完整的部分。而傳統(tǒng)視頻不存在以上問題,視頻內(nèi)所有的運動軌跡均是連續(xù)的,且運動目標基本完整。因此,如果將傳統(tǒng)的視頻濃縮技術(shù)直接應用在全景視頻上,簡單地對所有目標進行檢測和跟蹤,就無法解決軌跡不連續(xù)的問題,會導致同一條軌跡被錯誤地跟蹤成兩條獨立的軌跡,且目標圖像的持續(xù)不完整會影響檢測和跟蹤的準確性,導致兩條斷裂軌跡之間缺失部分軌跡。另一方面,視頻濃縮不是以幀而是以運動對象為單位,通過對運動軌跡在時間軸上的平移和重新排列來壓縮視頻的時... 

【文章來源】：華中科技大學湖北省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文的研究內(nèi)容及結(jié)構(gòu)安排
2 視頻濃縮相關(guān)技術(shù)
    2.1 背景建模
    2.2 多目標跟蹤
    2.3 行人重識別
    2.4 軌跡重排列
    2.5 本章小結(jié)
3 全景視頻運動軌跡完整重連
    3.1 全景視頻運動軌跡的獨特性
    3.2 全景軌跡獲取面臨的挑戰(zhàn)
    3.3 軌跡完整重連模塊設(shè)計
    3.4 TriHard行人重識別技術(shù)
    3.5 二級搜索框架匹配斷裂軌跡
    3.6 斷裂軌跡匹配結(jié)果
    3.7 目標檢測框運動狀態(tài)預測
    3.8 運動狀態(tài)預測結(jié)果
    3.9 本章小結(jié)
4 交互動作同步性還原
    4.1 軌跡重排列的約束條件
    4.2 基于能量函數(shù)的軌跡重排列
        4.2.1 活動能量損失
        4.2.2 碰撞損失
    4.3 基于交互動作同步性的時間一致性損失
    4.4 能量函數(shù)求解
    4.5 基于交互動作同步性的時間一致性損失函數(shù)結(jié)果分析
    4.6 本章小結(jié)
5 系統(tǒng)總體設(shè)計
    5.1 系統(tǒng)總體架構(gòu)
        5.1.1 全景視頻采集設(shè)備
        5.1.2 全景視頻前背景獲取
        5.1.3 全景濃縮視頻生成
    5.2 全景視頻前背景獲取設(shè)計
        5.2.1 背景建模模塊
        5.2.2 軌跡初步獲取模塊
        5.2.3 軌跡完整重連模塊
    5.3 全景濃縮視頻生成設(shè)計
        5.3.1 運動軌跡重排列模塊
        5.3.2 前景背景融合模塊
    5.4 全景視頻濃縮結(jié)果分析
    5.5 本章小結(jié)
6 總結(jié)與展望
參考文獻


【參考文獻】：
期刊論文
[1]群體計算中的偶圖匹配算法[J]. 滿君豐,劉鳴,彭成,劉美博.  計算機應用與軟件. 2018(09)



本文編號：3631220