基于全景视频的视频浓缩系统

发布时间：2022-02-18 17:09

　　视频浓缩技术对于处理海量的监控视频具有重要意义。浓缩视频在缩短原始视频时间长度的同时又保留了活动事件的动态信息。目前全景摄像头在日常生活中不断地升级和普及,为了适应这一发展,本文首次将视频浓缩技术应用于全景领域中。相比普通视频,全景视频具有其独特性。全景视频实质上是一个二维的视频。全景模式的观看是将二维的视频投影在球面,观看视点处于球心,形成视觉上的三维环绕效果。二维的全景视频是将球面视频沿球面大圆弧分割开后铺展得到的。因此当现实世界中连续运动的目标经过这条分割线时,其运动轨迹会被全景视频的边界线分成两段断裂的轨迹。同时运动目标图像在这段时间内被持续分割成两个不完整的部分。而传统视频不存在以上问题,视频内所有的运动轨迹均是连续的,且运动目标基本完整。因此,如果将传统的视频浓缩技术直接应用在全景视频上,简单地对所有目标进行检测和跟踪,就无法解决轨迹不连续的问题,会导致同一条轨迹被错误地跟踪成两条独立的轨迹,且目标图像的持续不完整会影响检测和跟踪的准确性,导致两条断裂轨迹之间缺失部分轨迹。另一方面,视频浓缩不是以帧而是以运动对象为单位,通过对运动轨迹在时间轴上的平移和重新排列来压缩视频的时... 

【文章来源】：华中科技大学湖北省211工程院校985工程院校教育部直属院校

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文的研究内容及结构安排
2 视频浓缩相关技术
    2.1 背景建模
    2.2 多目标跟踪
    2.3 行人重识别
    2.4 轨迹重排列
    2.5 本章小结
3 全景视频运动轨迹完整重连
    3.1 全景视频运动轨迹的独特性
    3.2 全景轨迹获取面临的挑战
    3.3 轨迹完整重连模块设计
    3.4 TriHard行人重识别技术
    3.5 二级搜索框架匹配断裂轨迹
    3.6 断裂轨迹匹配结果
    3.7 目标检测框运动状态预测
    3.8 运动状态预测结果
    3.9 本章小结
4 交互动作同步性还原
    4.1 轨迹重排列的约束条件
    4.2 基于能量函数的轨迹重排列
        4.2.1 活动能量损失
        4.2.2 碰撞损失
    4.3 基于交互动作同步性的时间一致性损失
    4.4 能量函数求解
    4.5 基于交互动作同步性的时间一致性损失函数结果分析
    4.6 本章小结
5 系统总体设计
    5.1 系统总体架构
        5.1.1 全景视频采集设备
        5.1.2 全景视频前背景获取
        5.1.3 全景浓缩视频生成
    5.2 全景视频前背景获取设计
        5.2.1 背景建模模块
        5.2.2 轨迹初步获取模块
        5.2.3 轨迹完整重连模块
    5.3 全景浓缩视频生成设计
        5.3.1 运动轨迹重排列模块
        5.3.2 前景背景融合模块
    5.4 全景视频浓缩结果分析
    5.5 本章小结
6 总结与展望
参考文献


【参考文献】：
期刊论文
[1]群体计算中的偶图匹配算法[J]. 满君丰,刘鸣,彭成,刘美博.  计算机应用与软件. 2018(09)



本文编号：3631220