Inleiding Die identifisering van bewegende voorwerpe van 'n video-opname is 'n fundamentele en belangrike taak het baie rekenaar-visie aansoeke. 'N Algemene benadering is om agtergrondinligting aftrek, wat identifiseer bewegende voorwerpe uit die gedeelte van 'n video raam wat aansienlik verskil van 'n agtergrond model uit te voer. Daar is baie uitdagings in die ontwikkeling van 'n goeie agtergrond aftrek-algoritme. In die eerste plek moet dit sterk teen veranderinge in verligting wees. In die tweede plek moet dit vermy opsporing nie-stasionêre agtergrond voorwerpe soos die verskuiwing blare, reën, sneeu, en skadu bewegende voorwerpe. Ten slotte, moet sy interne agtergrond model vinnig te reageer op veranderinge in die agtergrond soos die begin en stop van voertuie. Ons navorsing het begin met 'n vergelyking van verskillende agtergrond aftrek algoritmes vir die opsporing van bewegende voertuie en voetgangers in stedelike verkeer video uittreksels (Cheung en Kamath 2004). Ons beskou benaderings wissel van eenvoudige tegnieke soos raam breukmetodes en aanpasbaar mediaan filter, om meer gesofistikeerde probabilistiese modelleringstegnieke. Terwyl ingewikkelde tegnieke produseer dikwels beter prestasie, ons eksperimente toon dat eenvoudige tegnieke soos adaptive mediaan filter goeie resultate kan produseer met baie laer rekenkundige kompleksiteit. Daarbenewens het ons gevind dat die pre-en post-verwerking van die video wat nodig mag wees om die opsporing van bewegende voorwerpe te verbeter. Byvoorbeeld, deur ruimte en tyd glad, ons kan sneeu van 'n video verwyder soos getoon in Figuur 1. Klein bewegende voorwerpe, soos die verskuiwing blare aan 'n paal, kan verwyder word deur morfologiese verwerking van die rame na die identifisering van die bewegende voorwerpe , soos getoon in Figuur 2. Figuur 1. Video raam op links toon 'n verkeersbeampte toneel terwyl sneeu. Let op die strepe in die beeld te danke aan die sneeu vlokkies. Dieselfde video raam na ruimtelike en temporale glad is op die regte, sonder die sneeu strepe. Figuur 2. Die video raam aan die linkerkant hoogtepunte, in pienk, die voorwerpe opgespoor as beweeg. Let op die beweging van die blare op die bome in die voorgrond. Morfologiese verwerking skoon die video raam soos aangedui op die reg. Die tempo en gewig van model updates voorgrond resultate grootliks bewerkstellig. Stadige aanpassing agtergrond modelle kan nie vinnig groot veranderinge in die agtergrond beeld (soos 'n wolk die verbygaan oor 'n toneel) te oorkom. Dit lei tot 'n tydperk van die tyd waar baie agtergrond pixels verkeerd geklassifiseer as voorgrond pixels. 'N Stadige update koers is ook geneig om 'n spook masker wat die werklike voorwerp roetes te skep. Vinnige aanpassing agtergrond modelle kan vinnig hanteer agtergrond veranderinge, maar hulle versuim teen 'n lae raam tariewe. Hulle is ook baie vatbaar vir geraas en die diafragma probleem. Hierdie waarnemings dui daarop dat 'n hibriede benadering kan help versag die nadele van elk. Ons het 'n nuwe voorgrond validering tegniek wat toegepas kan word om enige stadig-aanpassing agtergrond aftrek-algoritme (Cheung en Kamath 2005) geskep. Stadige aanpassing metodes produseer relatief stabiel maskers en is geneig om meer inklusiewe as 'n vinnige aanpassing metodes te wees. Soos vas 'n resultaat, kan hulle ook 'n hoë vals positiewe koers. Voorgrond validering ondersoek verder individuele voorgrond pixels in 'n poging om vals positiewes te skakel. Ons algoritme verkry eers 'n voorgrond masker van 'n stadige-aanpassing algoritme, en dan bekragtig voorgrond pixels deur 'n eenvoudige bewegende voorwerp model gebou met behulp van beide voorgrond en agtergrond statistieke sowel as 'n vinnige-aanpassing algoritme (Figuur 3). Figuur 3. Die mengsels van Gaussians benadering (a) is nie baie sterk veranderinge in verligting in vergelyking met ons voorgestelde metode (b). Grond-waarheid eksperimente met stadsverkeer rye het getoon dat ons voorgestelde algoritme produseer prestasie wat vergelykbaar of beter as ander agtergrond aftrek tegnieke (Figuur 4) is. Figuur 4: Vergelyking van verskillende algoritmes. (A) die oorspronklike beeld toon 'n motor wat begin om te beweeg nadat hy die voertuig vir 'n rukkie. Voorgrond waargeneem deur (b) raam breukmetodes, (c) by benadering mediaan, (d) mediaan, (e) Kalman filter, (f) mengsels van Gaussians, en (g) ons nuwe metode met voorgrond bekragtiging. Erkennings Die video's wat in ons werk is van die webwerf in stand gehou deur KOGS-IAKS Universitaet Karlsruhe. Ons waardeer hul bereidwilligheid om hul data publiek sigbaar maak. Verwysings Cheung, S.-C. en C. Kamath, Robuuste agtergrond aftrekking van Grond Validation vir stadsverkeer Video, EURASIP Journal op Toegepaste seinverwerking, Deel 14, pp 1-11, 2005 UCRL-JRNL-201916. Cheung, S.-C. en C. Kamath, Robuuste tegnieke vir agtergrond aftrek in stedelike verkeer video, video kommunikasie en beeldverwerking, SPIE Elektroniese Imaging, San Jose, Januarie 2004 UCRL-JC-153846-ABS, UCRL-CONF-200706 PDF. EWMA 101 Die EWMA benadering het 'n aantreklike kenmerk: dit vereis relatief min data wat gestoor word. Om ons skatting op enige punt op te dateer, ons moet net 'n vorige skatting van die variansie koers en die mees onlangse waarneming waarde. 'N Sekondêre doel van EWMA is om veranderinge in die wisselvalligheid op te spoor. Vir klein waardes, Onlangse waarnemings beïnvloed die skatting stiptelik. Vir waardes nader aan een, die skatting veranderinge stadig gebaseer op onlangse veranderings in die opbrengste van die onderliggende veranderlike. Die RiskMetrics databasis (wat deur JP Morgan en openbaar gemaak beskikbaar) gebruik die EWMA met vir die opdatering daagliks wisselvalligheid. BELANGRIK: Die EWMA formule nie aanvaar 'n lang loop gemiddelde variansie vlak. So, die konsep van wisselvalligheid beteken terugkeer is nie vasgevang word deur die EWMA. Die ARCH / GARCH modelle is beter geskik vir hierdie doel. Lambda 'n Sekondêre doel van EWMA is om veranderinge in die wisselvalligheid op te spoor, sodat vir klein waardes, onlangse waarneming beïnvloed die skatting stiptelik, en vir waardes nader aan een, die skatting veranderinge stadig onlangse veranderinge in die opbrengste van die onderliggende veranderlike. Die RiskMetrics databasis (wat deur JP Morgan) en openbare beskikbaar gestel in 1994, gebruik die EWMA model met vir die opdatering daagliks wisselvalligheid skatting. Die maatskappy het bevind dat oor 'n reeks van die mark veranderlikes, hierdie waarde van gee voorspelling van die variansie wat die naaste aan besef variansie koers kom. Die besef variansie tariewe op 'n bepaalde dag is bereken as 'n ewe-gemiddelde van die daaropvolgende 25 dae. Net so, om die optimale waarde van lambda bereken vir ons datastel, moet ons die besef wisselvalligheid by elke punt te bereken. Daar is verskeie metodes, so kies een. Volgende, bereken die som van 'n vierkant foute (SSE) tussen EWMA skatting en besef wisselvalligheid. Ten slotte, verminder die SSE deur wisselende die lambda waarde. Klink maklik dit is. Die grootste uitdaging is om in te stem op 'n algoritme om besef wisselvalligheid bereken. Byvoorbeeld, die mense by RiskMetrics verkies die daaropvolgende 25-dag te besef variansie koers bereken. In jou geval, kan jy 'n algoritme wat daaglikse volume gebruik, MI / LO en / of openbare-close pryse te kies. Vrae Q 1: Kan ons gebruik EWMA om te skat (of voorspel) wisselvalligheid meer as 'n stap vorentoe Die EWMA wisselvalligheid verteenwoordiging nie aanvaar 'n langtermyn gemiddelde wisselvalligheid, en dus, vir enige vooruitsig horison meer as een-stap, die EWMA gee 'n konstante waarde: Ocean in Motion: Ekman vervoer Agtergrond Sodra die wind stelle oppervlakwaters in beweging as 'n huidige, die Coriolis-effek, Ekman vervoer, en die opset van die oseaan wasbak verander die spoed en rigting van die stroom. In hierdie artikel, ons kyk na die kragte wat betrokke is by die koppeling van die wind en die see oppervlak waters. Windaangedrewe strome en Ekman Vervoer Die wind waai oor die see en beweeg sy waters as gevolg van sy wrywingskrag sleep op die oppervlak. Ripples of golwe veroorsaak dat die oppervlak grof wat nodig is vir die wind om egpaar met 'n oppervlak waters. 'N Wind waai stadig maar seker oor diep water vir 12 uur teen 'n gemiddelde spoed van ongeveer 100 cm per sekonde (2.2 myl per uur) sal 'n 2 cm per sekonde huidige (ongeveer 2 van die wind spoed) te produseer. As aarde nie draai, sou wrywingskrag koppeling tussen bewegende lug en die see oppervlak 'n dun lagie water stoot in dieselfde rigting as die wind. Dit oppervlak laag op sy beurt sal die laag sleep daaronder, om dit in beweging. Hierdie interaksie sal afwaartse propageer deur opeenvolgende oseaan lae, soos kaarte in 'n pak, elke vorentoe beweeg teen 'n stadiger spoed as die laag bo. Maar omdat die aarde draai, die vlak laag van oppervlakwater in werking gestel deur die wind is gedeflekteer aan die regterkant van die windrigting in die Noordelike Halfrond en aan die linkerkant van die windrigting in die Suidelike Halfrond. Dit defleksie staan bekend as die Coriolis-effek. Behalwe by die ewenaar, waar die Coriolis-effek is nul, elke laag van water deur die laag in beweging sit bo verskuif rigting as gevolg van Aardes rotasie. Die Ekman spiraal beskryf hoe die horisontale wind stel oppervlakwaters in beweging. Soos verteenwoordig deur horisontale vektore, die spoed en rigting van water beweging verandering met 'n toenemende diepte. Die gebruik van vektore om die rigting en spoed van water lae op opeenvolgende dieptes plot, kan ons 'n vereenvoudigde driedimensionele huidige patroon wat veroorsaak word deur 'n bestendige horisontale wind (Figuur A) wys. ( 'N Vektor is 'n pyl wat 'n fisiese hoeveelheid sodat lengte is direk eweredig aan grootte en oriëntasie verteenwoordig rigting.) Hierdie model staan bekend as die Ekman spiraal, vernoem na die Sweedse fisikus V WALFRID Ekman (1874-1954) wat die eerste keer beskryf dit wiskundig in 1905 Ekman gebaseer sy model op waarnemings wat deur die Noorse ontdekkingsreisiger Fridtjof Nansen (1861-1930). Nansen was geïnteresseerd in seestrome in polêre see. In 1893, toegelaat hy sy 39-m (128-voet) hout skip, die From, te vries in die Arktiese pakys ongeveer 1100 km (680 myl) suid van die Noordpool. Sy doel was om weg te dryf met die ys en steek die Noordpool sodoende vas te stel hoe seestrome beïnvloed die beweging van pakys. Die From bly toegesluit in pakys vir 35 maande, maar net gekom binne 394 km (244 myl) van die Noordpool. Soos die From stadig gedryf met die ys, Nansen het opgemerk dat die rigting van die ys en die skip verkeer was deurgaans 20 tot 40 grade aan die regterkant van die heersende windrigting. Vanuit bogenoemde in die Noordelike Halfrond, die oppervlak laag van water beweeg teen 45 grade aan die regterkant van die wind. Die netto vervoer van water deur die hele windaangedrewe kolom (Ekman vervoer) is 90 grade aan die regterkant van die wind. Die Ekman spiraal dui daarop dat elke bewegende laag dus is gedeflekteer aan die regterkant van die oorliggende lae beweging, die rigting van beweging van water verander met toenemende diepte. In 'n ideale geval, 'n bestendige wind waai oor 'n oseaan van onbeperkte diepte en omvang veroorsaak oppervlakwaters om te beweeg teen 'n hoek van 45 grade aan die regterkant van die wind in die Noordelike Halfrond (45 grade na links in die Suidelike Halfrond). Elke opeenvolgende laag beweeg meer in die rigting van die regte en teen 'n stadiger spoed. Op 'n diepte van ongeveer 100 tot 150 m (330-500 voet), het die Ekman spiraal deurgegaan minder as 'n halwe draai. Tog beweeg water so stadig (ongeveer 4 van die oppervlak huidige) in 'n teenoorgestelde rigting wat die wind wat hierdie diepte word beskou as die onderste grens van die winde invloed op see beweging wees. In die Noordelike Halfrond, die Ekman spiraal voorspel netto beweging van water deur 'n diepte van sowat 100 tot 150 m (330-500 voet) teen 90 grade na die windrigting (Figuur B). Dit wil sê, as 'n mens voeg al die vektore in (Figuur A), die gevolglike vloei is op 90 grade aan die regterkant van die windrigting. In die Suidelike Halfrond, die netto beweging van water is 90 grade na links van die windrigting. Dit netto vervoer van water as gevolg van koppeling tussen wind en oppervlak water staan bekend as Ekman vervoer. Omdat die ware see kom nie ooreen met die geïdealiseerde voorwaardes van die Ekman spiraal,-wind veroorsaak water bewegings dikwels verskil aansienlik van teoretiese voorspellings. In vlak water, byvoorbeeld, die water diepte is onvoldoende vir die volle spiraal om dit te ontwikkel wat die hoek tussen die horisontale windrigting en oppervlak-water bewegings kan so min as 15 grade. Soos waters verdiep, die hoek toeneem en benaderings 45 grade. Die stabiele pycnocline inhibeer die oordrag van kinetiese energie om dieper water, help om windaangedrewe strome na die gemengde laag wat bevat, die pycnocline dien as 'n deurlaatbare grense vir Ekman vervoer en oppervlak strome. Ekman vervoer hope tot oppervlakwater in sommige gebiede van die see en verwyder water uit ander gebiede, die vervaardiging van variasies in die hoogte van die see-oppervlak, wat veroorsaak dat dit te helling geleidelik. Een gevolg van 'n skuins see oppervlak is die geslag van horisontale verskille (hellings) in waterdruk. Hierdie drukgradiënte, op sy beurt, gee aanleiding tot geostrofiese vloei. Aangepas uit DataStreme Oseaan en gebruik met toestemming van die Amerikaanse Meteorologiese Society. Forecasting - outoregressiewe geïntegreerde bewegende gemiddelde (ARIMA) Hierdie diens implemente outoregressiewe geïntegreerde bewegende gemiddelde (ARIMA) om voorspellings te produseer gebaseer op die historiese data wat verskaf is deur die gebruiker. Sal die vraag na 'n spesifieke produk te verhoog vanjaar Kan ek voorspel my produk verkope vir die Kersseisoen, sodat ek effektief kan beplan my inventaris voorspellingsmodelle is geneig om sulke vrae aan te spreek. Gegewe die afgelope data, hierdie modelle te ondersoek verborge tendense en seisoenaliteit om toekomstige tendense te voorspel. Probeer blou masjien Leer gratis Geen kredietkaart of blou inskrywing nodig. Begin nou GT Hierdie web diens deur gebruikers moontlik deur 'n foon kan verteer word, deur middel van 'n webwerf, of selfs op 'n plaaslike rekenaar, byvoorbeeld. Maar die doel van die web diens is ook om te dien as 'n voorbeeld van hoe blou masjien Leer gebruik kan word om die web dienste te skep bo-op R-kode. Met net 'n paar lyne van R-kode en klik van 'n knoppie binne blou masjien Leer Studio, kan 'n eksperiment word geskep met R-kode en gepubliseer as 'n web diens. Die web diens kan dan na die blou Marketplace gepubliseer en verteer deur gebruikers en toestelle regoor die wêreld met geen opstel infrastruktuur deur die skrywer van die web diens. Verbruik van web dienste Hierdie diens aanvaar 4 argumente en bereken die ARIMA voorspellings. Die insette argumente is: Frekwensie - Dui die frekwensie van die rou data (daagliks / weekliks / maandeliks / kwartaalliks / jaarlikse). Horizon - Toekomstige voorspelling tydraamwerk. Datum - Voeg in die nuwe tydreeksdata vir tyd. Waarde - Voeg in die nuwe tydreeksdata waardes. Die uitset van die diens is die berekende voorspelling waardes. Monster insette kan wees: Frequency - 12 Horizon - 12 Datum - 1/15/20122/15/20123/15/20124/15/20125/15/20126/15/20127/15/20128/15/20129/15/201210 / 15/201211/15/201212/15/2012 1/15/20132/15/20133/15/20134/15/20135/15/20136/15/20137/15/20138/15/20139/15/201310 / 15/201311/15/201312/15/2013 1/15/20142/15/20143/15/20144/15/20145/15/20146/15/20147/15/20148/15/20149/15/2014 Waarde - 3.4793.683.8323.9413.7973.5863.5083.7313.9153.8443.6343.5493.5573.7853.7823.6013.5443.5563.653.7093.6823.511 3.4293.513.5233.5253.6263.6953.7113.7113.6933.5713.509 Hierdie diens, as gasheer op die blou Marketplace, is 'n OData diens hierdie mag genoem word deur die pos of kry metodes. Daar is verskeie maniere om die verbruik van die diens in 'n outomatiese mode ( 'n voorbeeld app is hier). Begin C-kode vir web diens verbruik: Skep van web diens Dit web diens is geskep met behulp van blou masjien Leer. Vir 'n gratis toets, sowel as inleidende video's op die skep van eksperimente en publiseer web dienste. sien blou / ml. Hier is 'n kiekie van die eksperiment wat die web diens en voorbeeld kode vir elk van die modules in die eksperiment. Van binne blou masjienleer, is 'n nuwe leeg eksperiment geskep. Monster insette data is gelaai met 'n vooraf gedefinieerde data skedule. Gekoppel aan die data-skedule is 'n uitvoer R script module, wat die ARIMA voorspelling model met behulp van auto. arima en voorspelling funksies van R. Medley vloei genereer: Module 1: Module 2: Beperkings Dit is 'n baie eenvoudige voorbeeld vir ARIMA vooruitskatting. Soos gesien kan word uit die voorbeeld kode hierbo, vang geen fout is geïmplementeer, en die diens aanvaar dat al die veranderlikes is deurlopende / positiewe waardes en die frekwensie moet 'n heelgetal groter as 1. wees Die lengte van die datum en waarde vektore moet wees dieselfde. Die datum veranderlike moet voldoen aan die formaat mm / dd / jjjj. Vrae Vir vrae oor die verbruik van die web diens of publikasie te mark, kyk hier. Lets sê ek het 'n voorbeeld van die data (hier is net 10 nommers, in reële het ek oor 10000 meting resultate). Dan wil ek om te kyk of die data stilstaan of nie met behulp van eenvoudige gemiddelde metode. Byvoorbeeld, my datastel van grootte N 10: Ek bereken gemiddeldes (window 3): met hierdie formule: en sit hulle in SAM tabel hierbo. Dan, bereken die verskille beetwen my gemiddeldes, SAMi1 Sami. en ek het 'n verskil tafel: 1 1 1 1 1 1 1 waaruit ek sien dat die verskil tussen gemiddeldes (gemiddeldes) konstant (sy altyd 1). Kan ek aanneem dat met hierdie eenvoudige toets my data X stilstaan gevra 16 Desember 13 aan 18:01 As jou eerste verskille is konstant dan jou data is nie van skryfbehoeftes, as die gemiddelde is increaing met verloop van tyd. Jou eerste verskille is inderdaad stilstaande met gemiddelde 1 variansie 0. Met tydreeksdata, een van die mees kritieke quesions is hoe om die data stilstaande maak ( 'n mens kan argumenteer dit is die hele punt van tydreeksanalise). In die praktyk is dit sluit in die identifisering tendens, seisoenaliteit / siklisiteit, stogastiese drif, en outokorrelasie. Dit sal meer as die bewegende gemiddelde vereis kan verskaf op sy eie. Jy kan egter waarskynlik gebruik maak van die bewegende gemiddelde winsgewend as jy wil 'n rowwe bevestiging dat daar geen tendens of periodisiteit kry. In hierdie geval, gebruik jy die bewegende gemiddelde as 'n glad toestel. Jy kan eenvoudig agteruitgang jou data vs tyd en kyk of die beste passing lyn het 'n groot helling, indien nie, dan is jy hoef nie 'n sterk liniêre tendens. Ook, as jy dit nie enige verhogings in spead oor die lyn of enige periodcity (ocillating waardes of stywe bondels data gevolg deur strooi wolke van data) dan is jy het bevestig dat die eerste / tweede orde tendens en periodisiteit nie teenwoordig is om 'n groot kennis graad. Jy sal meer gesofistikeerde gereedskap nodig het om meer kwantitatiewe kry. Dit is in wese 'n tydreeksanalise, wat 'n hele gebied van statistiek. 'N Groot deel van die veld word gewy aan die vestiging en die toets van stasionariteit dus, Ek kan nie dit doen geregtigheid in hierdie kort tydjie is dit voldoende om te sê dat yoru vraag swaar studies is deur navorsers in tydreeksanalise. Sien dit vir 'n paar basiese agtergrond. antwoord 16 Desember 13 aan 18:41 Dankie vir die antwoord. Ek dink ek verstaan dit verkeerd Ek sal nie 'n blik op die verskille te neem nie, maar net op die berekende beteken theyre nie konstant, as jy al agtergekom, theryre toenemende sodat my data isnt skryfbehoeftes, reg Dit het niks te doen met die verskille uitvoering maak nullpointer Desember 16 13 om 18:45 nullpointer korrekte uitvoering maak user31668 16 Desember 13 by 18:46 Net nog 'n vraag as jy dit nie verstand. So vir my data om stilstaande wees, moet my SAM tafel lyk: SAM (of so iets) - die punt is, moet die bewegende gemiddelde waardes konstante, nie hul verskille wees (En ek moet dieselfde gaan vir die stryd Of net middel is genoeg) uitvoering maak nullpointer 16 Desember 13 aan 18:48
No comments:
Post a Comment