笔记:背景建模

背景

对于场景类视频,使用背景差分预测技术将当前块的预测值通过参考帧上当前块的预测块(ref),背景帧上与当前块对应的背景块(bgc),背景帧上与当前块的预测块对应的背景块(bgr)计算得出。计算方程式为,pred=clip3(0,255,ref-bgr+bgc)。

在一些预测精确的情况下,不需要进行背景差分预测,取消这些情况下的背景差分预测,可以减少cu_bdp_flag的传输代价,减小编码复杂度。

同时,由于参考帧中的一些块相对于背景帧在亮度或色度上变化缓慢,导致ref-bgr的值过大,因此背景差分预测时需要减小ref-bgr的值以增加预测精确度。

时间: 2024-07-28 23:08:08

笔记:背景建模的相关文章

笔记:AVS2背景建模

1.编码器配置 BackgroundPeriod       = 300 # ####场景模型更新间隔,以I.S.P帧个数为单位 BGFileInputEnable      = 0   # ####以输入图象作背景 BGFileName           = "background" # ####BGFileInputEnable为1时表示输入背景图象名称,否则表示打印的自动建模生成的####背景图象名称 ModelNumber            = 120 ####自动背景建

OpenCV4Android背景建模(MOG、MOG2)

本文为作者原创,转载请注明出处 --负赑屃 很久以前的笔记了,分享给大家吧...OpenCV4Android中用于背景建模的类主要有:BackgroundSubtractor.BackgroundSubtractorMOG.BackgroundSubtractorMOG2.BackgroundSubtractorKNN,主要对使用方法做个总结. 借用OpenCV提供的API,Android编程可以实现比较丰富的视觉处理效果.经过多次尝试,终于梳理出OpenCV背景建模在Android中的使用方法

[MOC062066]背景建模资料收集整理

一.相关博客 背景建模相关资料收集,各个链接都已给出. 资料,不可能很完整,以后不定期更新. -----------------分割线----------------- 这个哥们总结的很好啊,看完了基本就有一个比较"全面"的认知可.可以侃晕一些外行了,哈哈哈... 千里8848: 背景建模(一) Evaluation of Background Subtraction Techniques for Video Surveillance 背景建模(二)--以像素值为特征的方法(1) 背景

运动目标检测_混合高斯背景建模

1.混合高斯背景建模理论 混合高斯背景建模是基于像素样本统计信息的背景表示方法,利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量.每个模式的均值和标准差)表示背景,然后使用统计差分(如3σ原则)进行目标像素判断,可以对复杂动态背景进行建模,计算量较大. 在混合高斯背景模型中,认为像素之间的颜色信息互不相关,对各像素点的处理都是相互独立的.对于视频图像中的每一个像素点,其值在序列图像中的变化可看作是不断产生像素值的随机过程,即用高斯分布来描述每个像素点的颜色呈现规律{单模态(单峰),

verilog 建模笔记--低级建模

来源  <verilog HDL那些事--建模篇> 1.并行建模的思想. 2.每个模块最好只有一个功能.(便于修改和扩展,特别在大的项目中) 典型的 HDL 教科书中,才不会要读者了解“模块的性质”.没有性质的模块,常常会使得初学着在设计上和理解容易陷入“混乱”.反之,如果“模块含有性质”的话,在设计和理解方面,思路会而外的清晰.笔者尝试使用“低级建模”去完成程式设计,感觉都是得心应手,而且设计越发的清晰.虽然“低级建模”的建模量确实很多,但是可以把它看成是一种修行练功. verilog HD

(求助) 关于多视点背景建模的序列

Queston:  毕业设计做3d-hevc上的背景建模.但是目前手里序列适合做背景建模的只有love_bird 序列.三视点的.这在最后写论文的时候给一个实验结果不是很好,但自己又没有找到其他的序列~  所以希望知道多视点的 texture+depth 序列的前辈们看到求助可以回应一下,发个下载地址.这直接关系到妹子我的毕业啊,感激不尽,感激不尽! 2015/05/23

目标检测中背景建模方法

最近一直在做前景检测方面的研究,刚开始主要是做一些工程性的应用,为了解决工程方面的问题,下了不少功夫,也看了不少最近国内外的文章.一直想做个总结,拖着拖着,终究却写成这篇极不成功的总结.      背景建模或前景检测的算法主要有: 1. Single Gaussian (单高斯模型) Real-time tracking of the human body 2. 混合高斯模型(Mixture of Gaussian Model) An improved adaptive background m

常见的目标检测中的背景建模方法

Author: JW. ZHOU 2014/6/13 最近一直在做前景检测方面的研究,刚开始主要是做一些工程性的应用,为了解决工程方面的问题,下了不少功夫,也看了不少最近国内外的文章.一直想做个总结,拖着拖着,终究却写成这篇极不成功的总结. 背景建模或前景检测的算法主要有: 1. Single Gaussian (单高斯模型) Real-time tracking of the human body 2. 混合高斯模型(Mixture of Gaussian Model) An improved

混合高斯背景建模

在运动目标检测提取中,背景目标对于目标的识别和跟踪至关重要.而建模正是背景目标提取的一个重要环节. 前景是指在假设背景为静止的情况下,任何有意义的运动物体即为前景. 运动物体检测的问题主要分为两类,摄像机固定和摄像机运动.对于摄像机运动的运动物体检测问题,比较著名的解决方案是光流法,通过求解偏微分方程求的图像序列的光流场,从而预测摄像机的运动状态.对于摄像机固定的情形,当然也可以用光流法,但是由于光流法的复杂性,往往难以实时的计算.而混合高斯背景建模适合于在摄像机固定的情况下从图像序列中分离出背

高斯背景建模之icvMatchTest函数篇

//对每个象素点进行匹配 static int icvMatchTest( double* src_pixel, int nChannels, int* match, const CvGaussBGPoint* g_point, const CvGaussBGStatModelParams *bg_model_params ) { int k; int matchPosition=-1; //这个匹配的位置只能是0,1,2(在假设3个高斯的前提下) for ( k = 0; k < bg_mod