1、“.....根据油田生产现场具体业务特征,确定视频智能分析应用的具体业务场景,包括周界防范区域入侵车辆布控人员布控等,进而确定每种场景下的分析目标的结构化特征。通过人工智能和深度学习算法,对场景中的运动目标进行深层次的特征提取和交采用同样的权值学习率,没有基于历史信息考虑到处于不同状态下的高斯分布的更新差异,显然不能很好的适应复杂多变的现实场景。本文重新制定了背景模型的选取规则若高斯分布处于稳定状态,则此分布属于其像素位置的背景模型若分布处于过应混合分布模型中占据较大权重,在真实背景权值足够高之前,该区域描述运动目标的高斯分布会被持续判断为背景,大大影响检测效果。为此,本文采用种基于落入各个高斯模型样本频数的背景初始化算法,改进后的背景初始化方案使得在初始化过程中基于运动目标检测的油田生产现场目标识别模型研究原稿权重学习率取算法以及本文优化的背景初始化算法对视频中运动目标进行检测......”。

2、“.....运动阴影由于和运动物体本身有些相同的运动特征,使得其同运动目标本身起被检测为运动前景,这将极大影中的运动目标进行深层次的特征提取和交叉比对,并通过多次迭代提高特征值的准确性。关键词油田生产目标检测目标提取高斯算法引言运动目标检测是智能视频技术的第个阶段,检测的目的是在视频序列中得到运动对象所在的感兴趣区域,目征得到前景目标区域取区域和区域相或的结果为运动目标区域最后对目标区域进行形态学处理得到检测结果。模型应用场景训练选取数据集中视频进行场景训练,验证优化的背景初始化方案的改进效果,分别使用传统,物体难以被检测到若物体运动速度过快,物体相邻两帧间的差距超过轮廓宽度,容易产生双影现象,其检测效果不理想。摘要针对油田场景中生产管理工作的特殊性......”。

3、“.....基于运动目标检测的油田生产现场目标识别模型研究原稿。帧间差分法在不考虑噪声的情况下,目标的运动会导致视频序列中前后两帧图像间产生差异,帧差法是基于相邻帧间差异所代表的运动信息,进行连运动目标属性特征及比对方法个方面进行研究。根据油田生产现场具体业务特征,确定视频智能分析应用的具体业务场景,包括周界防范区域入侵车辆布控人员布控等,进而确定每种场景下的分析目标的结构化特征。通过人工智能和深度学习算法,对场景为解决上述问题,本文采用种融合纹理和颜色特征的运动阴影检测算法通过改进的混合高斯背景模型提取到包含运动阴影的目标区域针对目标区域,基于颜色空间得到前景目标区域和基于纹理特征得到前景目标区域取区域和区识别操作,因为阴影区域具有如下几个特点阴影区域较其未被阴影覆盖时的亮度更低阴影区域色度与其被阴影覆盖时的色度相似物体的纹理特征对阴影不敏感......”。

4、“.....当目标区域颜色接近于阴影显,当目标区域颜色接近于阴影区域检测效果不理想,容易将亮度低于背景色度和阴影区域相近的目标区域当作阴影去除。而纹理特征检测阴影算法对平坦区域的纹理描述能力低,即在纹理特征变化很小的区域失效。传统算法由于光照原因前主流的运动物体检测方法包括帧差法光流法以及背景相减法。算法优化改进的多高斯背景模型优化的背景初始化方案传统多高斯模型使用第帧图像信息对每个像素的高斯分布进行初始化,这将导致经过权重归化之后的段时间内,该初始分布都将会在其对运动目标属性特征及比对方法个方面进行研究。根据油田生产现场具体业务特征,确定视频智能分析应用的具体业务场景,包括周界防范区域入侵车辆布控人员布控等,进而确定每种场景下的分析目标的结构化特征。通过人工智能和深度学习算法,对场景权重学习率取算法以及本文优化的背景初始化算法对视频中运动目标进行检测......”。

5、“.....运动阴影由于和运动物体本身有些相同的运动特征,使得其同运动目标本身起被检测为运动前景,这将极大影容易产生双影现象,其检测效果不理想。为解决上述问题,本文采用种融合纹理和颜色特征的运动阴影检测算法通过改进的混合高斯背景模型提取到包含运动阴影的目标区域针对目标区域,基于颜色空间得到前景目标区域和基于纹理特基于运动目标检测的油田生产现场目标识别模型研究原稿区域检测效果不理想,容易将亮度低于背景色度和阴影区域相近的目标区域当作阴影去除。而纹理特征检测阴影算法对平坦区域的纹理描述能力低,即在纹理特征变化很小的区域失效。基于运动目标检测的油田生产现场目标识别模型研究原稿权重学习率取算法以及本文优化的背景初始化算法对视频中运动目标进行检测。基于运动目标检测的油田生产现场目标识别模型研究原稿。运动阴影由于和运动物体本身有些相同的运动特征......”。

6、“.....这将极大影文优化的混合高斯模型同运动阴影检测算法相结合,作为油田特殊场景智能视频分析中运动目标检测阶段的算法。运动阴影由于和运动物体本身有些相同的运动特征,使得其同运动目标本身起被检测为运动前景,这将极大影响后续对真实的目标区域跟踪和流法以及背景相减法。帧间差分法在不考虑噪声的情况下,目标的运动会导致视频序列中前后两帧图像间产生差异,帧差法是基于相邻帧间差异所代表的运动信息,进行连通域分析及形态学处理来实现运动目标检测的种算法,帧差法流程如图所示。图帧间存在大量虚假目标区,基于空间和纹理统模式的检测算法又易受噪声干扰。而本文采用的运动目标检测方法提取到的阴影部分较少,算法的检测率大大优于传统的算法。现场试验效果结合油田生产现场具体业务特征,将本运动目标属性特征及比对方法个方面进行研究。根据油田生产现场具体业务特征......”。

7、“.....包括周界防范区域入侵车辆布控人员布控等,进而确定每种场景下的分析目标的结构化特征。通过人工智能和深度学习算法,对场景响后续对真实的目标区域跟踪和识别操作,因为阴影区域具有如下几个特点阴影区域较其未被阴影覆盖时的亮度更低阴影区域色度与其被阴影覆盖时的色度相似物体的纹理特征对阴影不敏感。传统的颜色空间检测阴影算法对噪声的处理效果不明征得到前景目标区域取区域和区域相或的结果为运动目标区域最后对目标区域进行形态学处理得到检测结果。模型应用场景训练选取数据集中视频进行场景训练,验证优化的背景初始化方案的改进效果,分别使用传统区域相或的结果为运动目标区域最后对目标区域进行形态学处理得到检测结果。模型应用场景训练选取数据集中视频进行场景训练,验证优化的背景初始化方案的改进效果,分别使用传统权重学习率取算法以及本文优化的背差分法流程图该算法简单并且实现容易......”。

8、“.....能够很好的适应动态环境。在该方法也存在明显的缺点若物体运动速度过慢,前后两帧差距不大,物体难以被检测到若物体运动速度过快,物体相邻两帧间的差距超过轮廓宽度,基于运动目标检测的油田生产现场目标识别模型研究原稿权重学习率取算法以及本文优化的背景初始化算法对视频中运动目标进行检测。基于运动目标检测的油田生产现场目标识别模型研究原稿。运动阴影由于和运动物体本身有些相同的运动特征,使得其同运动目标本身起被检测为运动前景,这将极大影叉比对,并通过多次迭代提高特征值的准确性。关键词油田生产目标检测目标提取高斯算法引言运动目标检测是智能视频技术的第个阶段,检测的目的是在视频序列中得到运动对象所在的感兴趣区域,目前主流的运动物体检测方法包括帧差法光征得到前景目标区域取区域和区域相或的结果为运动目标区域最后对目标区域进行形态学处理得到检测结果。模型应用场景训练选取数据集中视频进行场景训练......”。

9、“.....分别使用传统渡态,则判断其是否属于背景模型的有效成分若其处于变动态,则不是背景模型。摘要针对油田场景中生产管理工作的特殊性,视频目标识别模型的研究需要从油田生产现场视频应用场景运动目标检测与提取方法运动目标属性特征及比对方法个方面进行的每帧对初始背景的贡献相同,避免了传统算法中初始背景对首帧存在的强依赖现象,从而使得初始背景积累到足够的信息得以更加真实的描述实际背景。基于状态和历史信息自适应更新的权重学习率传统多高斯背景模型中,所有像素位置中的高斯分布均前主流的运动物体检测方法包括帧差法光流法以及背景相减法。算法优化改进的多高斯背景模型优化的背景初始化方案传统多高斯模型使用第帧图像信息对每个像素的高斯分布进行初始化,这将导致经过权重归化之后的段时间内,该初始分布都将会在其对运动目标属性特征及比对方法个方面进行研究。根据油田生产现场具体业务特征......”。