Адаптивный фон: Полностью адаптивный фон с использованием CSS

в Facebook появится адаптивный фон, Microsoft добавила поддержку Java 14 в VS Code, создано AR-приложение для перемещения реальных объектов в Photoshop

Сегодня в подборке новостей:

• В приложении Facebook для Android появится адаптивный фон;
• Microsoft добавила поддержку Java 14 в Visual Studio Code;
• Создано AR-приложение для перемещения реальных объектов в Photoshop;
• Apple и Google опубликовали API для приложений отслеживания контактов;
• JRest — новая сверхлегкая библиотека Java REST;
• Red Hat огласила план обновления CodeReady.

В приложении Facebook для Android появится адаптивный фон

Facebook планирует добавить в свое мобильное Android-приложение новую функцию — адаптивный фон. Предполагается, что фон сможет меняться в зависимости о того, какая фотография используется в профиле пользователя. Информацию о планируемом изменении обнаружила исследователь кода приложений Джейн Манчун Вонг. По ее словам, специалисты Facebook работают над улучшением адаптивного фона, чтобы сделать его более привлекательным. Например, вместо использования цвета с пользовательских изображений, функция самостоятельно выбирает наиболее подходящие оттенки. Пока неизвестно, когда именно в Facebook собираются развернуть новую функцию приложения. Вероятно, в окончательной версии адаптивного фона могут появиться дополнительные эффекты, например, цветовые градиенты. Источник: Twitter

Microsoft добавила поддержку Java 14 в Visual Studio Code

Среда разработки Visual Studio Code теперь поддерживает Java 14. Интеграция произошла в последнем, апрельском релизе VS Code, выпущенном 30 апреля. Об этом сообщил Сяокай Хе, руководитель Java-направления в Visual Studio Code и Azure. Чтобы использовать некоторые функции предварительного просмотра Java 14, может потребоваться изменение параметров проекта в Maven и Gradle. Также рекомендуется произвести перезагрузку сервера.

Язык Java поддерживается в Visual Studio Code с помощью пакета расширений Java Extension Pack. Он позволяет поддерживать кодирование, тестирование и отладку Java. В пакет входит функция совместимости с Java для Red Hat, отладчик, Java Runner, Maven для Java и многое другое. Источник: Jaxenter

Создано AR-приложение для перемещения реальных объектов в Photoshop

Французский разработчик и дизайнер Сирил Диан продемонстрировал на видео возможности своего приложения дополненной реальности AR Cut & Paste. Оно позволяет с помощью камеры смартфона копировать объекты и автоматически перемещать их в Photoshop. Основой разработки является локальный сервер, соединяющий AR Cut & Paste с графическим редактором на ПК, а также сервис для обнаружения элемента с последующим удалением заднего фона. Размещение выбранного объекта происходит благодаря специальному алгоритму определения предмета в Photoshop. Пока что на создание изображения требуется 2,5 секунды, для копирования на компьютер — около 4 секунд.

В будущем разработчик планирует ускорить этот процесс. Свой проект автор уже уже опубликовал на GitHub. Источник: The Verge

Apple и Google опубликовали API для приложений отслеживания контактов

Корпорации Apple и Google опубликовали бесплатный набор инструментов для разработчиков (API), с помощью которого можно создавать приложения для отслеживания контактов с людьми, зараженными коронавирусом. Принцип работы системы предполагает, что инфицированные COVID-19 зарегистрируются в приложении, чтобы случайно оказавшиеся рядом с ними здоровые люди получали уведомления о том, что они находятся вблизи от них. Это позволит не допустить распространения болезни. Имя и другие личные данные заражённых останутся скрыты. По словам представителей Apple, они позаботились о том, чтобы власти не могли отслеживать местоположение конкретных людей. Exposure Notification представляет собой анонимную платформу с базой межличностных контактов. Apple и Google не планируют выпускать приложения самостоятельно.

Они опубликовали API и примеры программных решений, благодаря чему власти стран могут убедиться, что компании не собирают личные данные пользователей. Источник: 9to5mac

JRest — новая сверхлегкая библиотека Java REST

На GitHub выложен код новой бесплатной библиотеки Java REST. Как утверждает разработчик софта, благодаря наличию всего одной зависимости JRest стала чрезвычайно легкой и быстрой в работе. JRest можно использовать в качестве веб-хоста, внутреннего сервера или для выполнения запросов к уже существующим конечным точкам REST. У библиотеки есть опция для включения и отключения регистрации запросов, не использует аннотации и может работать асинхронно. Более подробная информация о библиотеке JRest доступна на официальной странице проекта в GitHub. Источник: GitHub

Red Hat огласила план обновления CodeReady

Компания Red Hat собирается в ближайшие месяцы обновить браузерную среду разработки Kubernetes-ориентированных приложений CodeReady. Согласно дорожной карте проекта, CodeReady WorkSpaces получит несколько дополнений: в IDE интегрируют функцию доставки приложений на основе Git и GitOps, а также аналитику зависимостей. Кроме того, в CodeReady добавят поддержку Visual Studio Code и IntelliJ IDEA. Новый релиз, выпуск которого запланирован на вторую половину 2020 года, получит совместимость с веб-браузером Firefox. Будет значительно увеличена производительность, оптимизировано использование ресурсов, в CodeReady внедрят новые средства диагностики установки и устранения неполадок. Последующие версии (после 2020 года) предусматривают интеграцию CodeReady WorkSpaces с OpenShift Pipelines и OpenShift Serverless, а также добавление функции коллективной работы. Источник: InfoWorld

Требуется удалить фон веб-камеры? | XSplit VCam

XSplit VCam

XSplit VCam позволяет качественно удалять и размывать фон при использовании любой веб-камеры без необходимости применения дорогих зеленых экранов и сложного освещения.

Найти любимый фон

Фотографии Unsplash

Искать фотографии.

Фон любят наши пользователи

Зеленый экран не нужен

• Использование зеленого экрана требует временных и денежных затрат. Кроме того, экран сложно перемещать. XSplit VCam обеспечивает качественную замену фона без лишних усилий и возни с настройками и не отнимает при этом полезное место — где бы вы ни находились.

Добавьте глубину резкости или сделайте фон полностью размытым!

• Добавьте к веб-камере качественный эффект размытия без необходимости покупки дополнительного оборудования. Примените эффект портретного режима или зеркального фотоаппарата с помощью регулируемого ползунка размытия. Спрячьте от зрителей беспорядок в комнате, сохраните конфиденциальность и повысьте качество трансляции.

Замените фон на изображение или веб-страницу

• XSplit VCam поддерживает файлы JPEG, GIF, PNG и даже целые веб-страницы, что дает неограниченные возможности для замены фона. А еще вы можете применить эффект размытия! Самая быстрая альтернатива зеленому экрану.

VCam держит вас в центре внимания

• С последними улучшениями AI VCam вам больше не придется беспокоиться о отвлеканиях. С нашей технологией автоматического каркаса вы всегда будете центром каркаса! Так что при поставке этой важной части глаза на вас будут видны точно так же.

Добавление пользовательских логотипов

• Улучшите внешний вид вашей веб-камеры с помощью личного и корпоративного брендинга, чтобы представить себя в лучшем свете и оставить незабываемое впечатление. Важная функция, позволяющая тому, чтобы тот, кого вы предлагаете, запомнил вас по другим 10 звонкам, которые у них были.

Отличный выбор для авторов видео

• XSplit VCam поможет вам в самых разных ситуациях: и когда вы стримите на YouTube, Twitch или Facebook, и когда записываете подкаст, влог, ток-шоу или просто хотите применить эффект удаления фона в своем проекте. Работает со стриминговыми приложениями, такими как Open Broadcaster Software (OBS), Streamlabs и, конечно же, XSplit!

Для бизнеса и личного пользования

• XSplit VCam работает со всеми основными приложениями для видеочатов и решениями для конференц-связи: ваши коллеги и друзья смогут наслаждаться качественно представленным видео в офисе и вне его. Отличный выбор для удаленной работы, виртуальных интервью, тех. поддержки клиентов, личных встреч по продажам, для обучения и консультаций.

Используйте мобильный телефон в качестве веб-камеры!

• Нет веб-камеры? Не проблема! «XSplit Connect: Webcam» превратит смартфон в веб-камеру ПК или ноутбука — для конференц-звонков, презентаций, видео или прямых эфиров.

• Подробнее

Поддержка и

Пожизненное время обновления

Само собой разумеется, что первоклассное программное обеспечение заслуживает первоклассной поддержки! Мы поможем вам на каждом этапе вашей деятельности.

Прочитайте FAQ

Минимальные требования

Часто задаваемые вопросы

Здесь приведены ответы на вопросы, которые задавали другие пользователи XSplit VCam. Если среди них нет интересующего вас вопроса, перейдите в раздел технической поддержки, где вы найдете руководства, советы и многое другое.

• Размытие, замена и удаление? В чем между ними разница и как их использовать?

  +
  Мы постоянно стремимся сделать наше приложение максимально простым в использовании и сократить число лишних настроек, чтобы сделать процесс конфигурации как можно более понятным. Прежде чем загрузить XSplit VCam, ознакомьтесь с кратким обзором основных функций, чтобы получить представление о его возможностях.

• Работает ли XSplit VCam исключительно с XSplit Broadcaster?

  +
  Нет. XSplit VCam работает с любым ПО и приложениями для конференц-связи, которые поддерживают камеру в качестве источника, — а значит, вы можете использовать лучшую в мире программу для удаления фона совместно с OBS Studio и другими приложениями для стриминга. VCam также работает с любым ПО для конференц-связи: просто выберите XSplit VCam в качестве камеры в используемом приложении.

• Как настроить XSplit VCam для получения оптимального качества изображения с камеры?

  +
  Для опытных пользователей доступен ряд дополнительных настроек: параметры HD, адаптивный фильтр, удаление кресла и многое другое. С подробным описанием настроек можно ознакомиться в этой статье.

• Почему VCam лучше встроенных инструментов?

  +
  VCam может похвастаться не только наиболее качественной реализацией сегментации, удаления и замены фона, но и рядом других преимуществ по сравнению со встроенными решениями и продуктами конкурентов. Он работает с любыми платформами и программными продуктами, поддерживающими захват видео, благодаря чему вы можете всегда использовать один и тот же набор настроек без необходимости индивидуальной конфигурации. Кроме того, в приложении есть множество полезных функций, таких как замена фона, приостановка камеры, автоматическое позиционирование (которое поможет вам всегда оставаться в центре кадра), а также автоматическое распознавание и удаление кресла и микрофона.

• Если я приобрету VCam для всей своей команды, смогу ли я выбирать доступные для них фоновые изображения?

  +
  Да. Менеджер команды может разрешить участникам добавлять собственные фоновые изображения или запретить использовать какие-либо изображения, кроме предварительно добавленных менеджером. Кроме того, при желании можно добавить свой водяной знак для наложения на видеопотоки с пользовательских камер. Список настроек, которые можно задавать на уровне команды, доступен в соответствующей статье.

• Будет ли моя подписка автоматически продлеваться со списанием средств?

  +
  Да, все подписки продлеваются автоматически, если их не отменить вручную. Если вы захотите отменить подписку, это легко можно сделать при помощи панели управления; подробности см. в нашем пошаговом руководстве

• Какие доступны способы оплаты?

  +
  Для обработки платежей мы используем сервис Stripe, который поддерживает широкий спектр способов оплаты, включая все крупные дебетовые и кредитные карты, системы платежей, такие как Apple Pay или Google Pay, а также более 135 различных валют.

• Есть ли у вас специальные расценки для образовательных, некоммерческих или государственных организаций?

  +
  По вопросам, связанным с образовательными, некоммерческими или государственными учреждениями, обращайтесь в наш отдел продаж.

• Могу ли я приобрести VCam для всей команды?

  +
  Да, конечно. Наш менеджер командных лицензий позволяет с легкостью управлять лицензиями и назначать их участникам команды; кроме того, мы предоставляем выгодные скидки при покупке нескольких лицензий. Для получения подробностей свяжитесь с нашим отделом продаж.

Не нашли ответа на свой вопрос? Напишите нам

Адаптивное вычитание фона

При количественном вестерн-блоттинге фон изображения влияет на точность и изменчивость анализа. Неспецифические полосы, мазки, пятна и пятна на изображениях вестерн-блоттинга могут затруднить точное определение интенсивности полос. Когда вы рисуете фигуру вокруг полосы, фоновые пиксели внутри фигуры также влияют на интенсивность сигнала. Во время анализа изображения необходимо вычесть фон, чтобы точно рассчитать интенсивность сигнала для интересующих областей. Алгоритм оценивает интенсивность фоновых пикселей и вычитает это значение из общей интенсивности сигнала формы, чтобы «исправить» фон.

Вычитание фона является важным аспектом количественного вестерн-блоттинга, но его точность сильно зависит как от контекста изображения, так и от типа применяемого алгоритма вычитания (1-3). Доступное в настоящее время программное обеспечение для вестерн-блоттинга предлагает несколько вариантов вычитания фона, и может быть трудно понять, какой метод даст наиболее точные и воспроизводимые результаты количественного определения. Имея мало указаний о том, когда и почему подходит каждый метод, исследователи вынуждены либо выбирать метод, либо просто использовать настройки по умолчанию и надеяться на лучшее. Этот субъективный выбор основан на личных предпочтениях каждого пользователя и вносит вариации, которые делают анализ менее воспроизводимым.

Вычитание фона работает лучше всего, когда фон изображения однороден и однороден по всему пятну, с хорошо разделенными полосами и дорожками (1, 4, 5). Но каждое пятно отличается; Артефакты электрофореза, неравномерный фон, мазки, пятна и различия в полосах или расстояниях между полосами делают каждый блот уникальным. Большинство фоновых алгоритмов не могут адаптироваться к этим вариациям и не всегда дают точные результаты (1, 2, 5). Идеальный алгоритм вычитания фона для вестерн-блоттинга должен реагировать и адаптироваться к этим вариациям и давать точные воспроизводимые результаты для каждого блота.

Обычные алгоритмы вычитания фона зависят от формы или контекста дорожки. Методы на основе формы используют область, окружающую фигуру или элемент, для оценки фона изображения, а методы на основе дорожек используют информацию из контекста каждой дорожки. Новый метод, который учитывает как контекст формы, так и контекст полосы движения, называемый адаптивным вычитанием фона (ABS), устраняет предвзятость пользователя для более воспроизводимой и менее субъективной оценки фона изображения.

Адаптивное вычитание фона

Метод

В отличие от обычных методов вычитания фона, ABS оценивает локальную область вокруг каждой фигуры и ее контекст в пределах дорожки, чтобы определить значение фона. Этот запатентованный интеллектуальный алгоритм сочетает в себе преимущества методов, основанных на форме и на основе дорожек, в одном расчете. Предвзятость пользователя и влияние субъективного выбора сведены к минимуму или устранены, что позволяет разным пользователям получать стабильно воспроизводимые результаты.

Воспроизводимость и ошибка

• Оценивая более широкий контекст для каждой фигуры, Empiria Studio использует больший объем данных для оценки фона изображения. Типичная интересующая область может содержать несколько сотен пикселей, а традиционный метод вычитания фона использует несколько сотен пикселей для оценки фона изображения. В отличие от этого, Empiria Studio анализирует несколько тысяч пикселей, чтобы оценить фон для этой формы.

• При рассмотрении на уровне пикселей фон изображения на самом деле довольно однороден. Алгоритм ABS ищет эту избыточность и отличает ее от «неконтекстных» областей, таких как пятна, размытия или другие артефакты, расположенные рядом с полосой или на дорожке образца. Имея большой набор данных для сравнения, алгоритм может легко идентифицировать и игнорировать эти аномалии. Он адаптируется к контексту отдельного изображения, вычисляя фон изображения с непревзойденной точностью и воспроизводимостью.

Фон для количественного определения дорожки и количественного определения полосы

В Empiria Studio фон вычисляется по-разному при количественном определении дорожки и при количественном определении полосы.

Адаптивное моделирование фона для обнаружения переднего плана с использованием пространственно-временных характеристик

• Ashraphijuo M, Aggarwal V, Wang X (2017) О шаблонах детерминированной выборки для надежного завершения матрицы низкого ранга. IEEE Signal Process Lett 25(3):343–347

  Артикул Google Scholar

• Azizpour H, Laptev I (2012) Обнаружение объектов с использованием моделей деформируемых деталей под строгим контролем. В: Европейская конференция по компьютерному зрению. Springer, стр. 836–849

• Билодо Г.А., Жодоин Дж.П., Сонье Н. (2013) Обнаружение изменений в пространстве признаков с использованием локальных бинарных шаблонов сходства. В: 2013 Международная конференция по компьютерному и роботизированному зрению (CRV). IEEE, стр. 106–112

• Bouwmans T (2011) Недавнее расширенное статистическое моделирование фона для обнаружения переднего плана — систематический обзор. Недавний Пэт Comput Sci 4(3):147–176

  Google Scholar

• Bouwmans T (2014) Традиционные и современные подходы к моделированию фона для обнаружения переднего плана: обзор. Comput Sci Rev 11:31–66

  Статья МАТЕМАТИКА Google Scholar

• Боуманс Т., Гарсия-Гарсия Б. (2019) Вычитание фона в реальных приложениях: проблемы, текущие модели и будущие направления. Препринт arXiv arXiv:1

577

• Bouwmans T, Zahzah EH (2014) Надежный PCA с помощью поиска основных компонентов: обзор для сравнительной оценки в области видеонаблюдения. Comput Vis Image Underst 122:22–34

  Статья Google Scholar

• Bouwmans T, El Baf F, Vachon B (2008) Моделирование фона с использованием смеси гауссов для обнаружения переднего плана — обзор.

  Недавний Пэт Comput Sci 1 (3): 219–237

  Артикул Google Scholar

• Боуманс Т., Порикли Ф., Хоферлин Б., Вакавант А. (2014), Справочник по моделированию фона и обнаружению переднего плана для видеонаблюдения 2017) Разложение на низкоранговые плюс аддитивные матрицы для разделения фона и переднего плана: обзор для сравнительной оценки с крупномасштабным набором данных. Информатика, ред. 23:1–71

  Артикул МАТЕМАТИКА Google Scholar

• Чакраборти С., Пол М., Муршед М., Али М. (2017) Адаптивная взвешенная непараметрическая фоновая модель для эффективного кодирования видео. Нейрокомпьютинг 226:35–45

  Статья Google Scholar

• Chen BH, Huang SC (2014) Усовершенствованный алгоритм обнаружения движущихся объектов для автоматического мониторинга трафика в реальных сетях с ограниченной пропускной способностью. IEEE Trans Multimed 16 (3): 837–847

  Артикул Google Scholar

• Чирандживи П., Сенгупта С. (2012) Пространственно коррелированное вычитание фона на основе адаптивного поддержания фона. J Vis Commun Image Represent 23(6):948–957

  Статья Google Scholar

• Далал Н., Триггс Б. (2005) Гистограммы ориентированных градиентов для обнаружения человека. В: Конференция компьютерного общества IEEE 2005 г. по компьютерному зрению и распознаванию образов (CVPR’05), IEEE vol 1, 886–89.3

• Дэвис Дж.В., Шарма В. (2007) Вычитание фона с использованием слияния тепловых и видимых изображений на основе контуров. Comput Vis Image Underst 106(2–3):162–182

  Статья Google Scholar

• Эльгаммаль А., Харвуд Д., Дэвис Л. (2000) Непараметрическая модель для вычитания фона. В: Европейская конференция по компьютерному зрению. Springer, стр. 751–767

• Эршади Н.Ю., Менендес Дж. М., Хименес Д. (2018) Надежное обнаружение транспортных средств в различных погодных условиях: использование mipm. PloS One 13(3), стр:1–30

• Фэн Дж., Сюй Х., Ян С. (2013) Надежный компьютерный анализ в Интернете с помощью стохастической оптимизации. В: Достижения в системах обработки нейронной информации, стр. 404–412

• Гёнер К., Деселл Т., Экроуд Р., Мохсениан Л., Берр П., Касвелл Н., Андес А., Эллис-Феледж С. (2015) Сравнение фонового вычитания алгоритмы обнаружения случаев гнездования птиц в неконтролируемом наружном видео. Опубликовано: 11-я международная конференция IEEE по электронной науке, 2015 г. IEEE, стр. 187–195

• Goyal K, Singhai J (2018) Самоадаптирующийся метод обнаружения движущихся объектов на основе текстур для сложных сцен. Comput Electr Eng 70:275–283

  Статья Google Scholar

• Гойетт Н., Джодоин П.М., Порикли Ф., Конрад Дж., Ишвар П. (2012) Обнаружение изменений. net: новый эталонный набор данных для обнаружения изменений. В: Конференция компьютерного общества IEEE 2012 г., посвященная семинарам по компьютерному зрению и распознаванию образов. IEEE, стр. 1–8

• Хади Р.А., Джордж Л.Е., Мохаммед М.Дж. (2017) Новый вычислительно-экономический подход к обнаружению и отслеживанию движущихся нескольких транспортных средств в режиме реального времени для эффективного наблюдения за дорожным движением. Arab J Sci Eng 42(2):817–831

  Статья Google Scholar

• Хадиуззаман М., Хак Н., Рахман Ф., Хоссейн С., Сиам МРК, Цю Т.З. (2017) Пиксельное измерение неоднородного трафика с учетом изменений тени и освещения. Сигнал Изображение Видеопроцесс 11(7):1245–1252

  Артикул Google Scholar

• «>

  Han G, Wang J, Cai X (2017) Вычитание фона на основе модифицированного надежного онлайн-анализа основных компонентов. Int J Mach Learn Cybern 8 (6): 1839–1852

  Статья Google Scholar

• Haritaoglu I, Harwood D, Davis LS (2000) W/sup 4: наблюдение за людьми и их действиями в режиме реального времени. IEEE Trans Pattern Anal Mach Intel 22 (8): 809–830

  Артикул Google Scholar

• Heikkila M, Pietikainen M (2006) Основанный на текстуре метод моделирования фона и обнаружения движущихся объектов. IEEE Trans Pattern Anal Mach Intell 28(4):657–662

  Статья Google Scholar

• Хофманн М., Тифенбахер П., Риголл Г. (2012) Сегментация фона с обратной связью: адаптивный сегментатор на основе пикселей. В: Конференция компьютерного общества IEEE 2012 г. , посвященная семинарам по компьютерному зрению и распознаванию образов (CVPRW). IEEE, стр. 38–43

• Hong W, Kennedy A, Burgos-Artizzu XP, Zelikowsky M, Navonne SG, Perona P, Anderson DJ (2015) Автоматическое измерение социального поведения мышей с использованием определения глубины, отслеживания видео и машинного обучения. Proc Natl Acad Sci 112(38):E5351–E5360

  Статья Google Scholar

• Хоу Ю.Л., Панг Г.К. (2011) Подсчет людей и обнаружение людей в сложной ситуации. IEEE Trans Syst Man Cybern-Part A: Syst Hum 41 (1): 24–33

  Артикул Google Scholar

• Huang SC (2011) Усовершенствованный алгоритм обнаружения движения с анализом качества видео для систем видеонаблюдения. IEEE Trans Circ Syst Video Technol 21 (1):1–14

  Статья Google Scholar

• «>

  Huang SC, Chen BH (2013) Высокоточное обнаружение движущихся объектов в системах мониторинга трафика с переменной скоростью передачи данных. Система обучения IEEE Trans Neural Network 24 (12): 1920–1931

  Статья Google Scholar

• Джавед С., О С.Х., Хео Дж., Юнг С.К. (2014) Надежное вычитание фона с помощью надежного онлайн-компьютерного анализа с использованием декомпозиции изображения. В: Материалы конференции 2014 г. по исследованиям в области адаптивных и конвергентных систем, стр. 105–110

• Джон Ф., Хипини И., Уджир Х. (2019) Оценка эффективности аэробных упражнений с использованием вычитания фона и области пересеченного изображения. Опубликовано: 2019 Международная конференция по приложениям для компьютеров и дронов (IConDA). IEEE, стр. 38–41

• Карновски Дж., Хатчинс Э., Джонсон С. (2015) Обнаружение и отслеживание дельфинов. В: 2015 Зимние семинары IEEE по приложениям и компьютерному зрению. IEEE, стр. 51–56

• Ким К., Чалидабхонгсе Т.Х., Харвуд Д., Дэвис Л. (2004) Фоновое моделирование и вычитание путем построения кодовой книги. В: 2004 г. Международная конференция по обработке изображений, 2004 г. ICIP’04, том 5. IEEE, стр. 3061–3064

• Lee B, Hedley M (2002) Оценка фона для видеонаблюдения. В: 2002 Image &Vision Computing New Zealand (IVCNZ’02), стр. 315–320

• Li Q, Bernal EA, Shreve M, Loce RP (2016) Независимые от сцены функции и классификатор на основе удаления фар и теней в видеорядах. В: 2016 IEEE Зимние семинары по применению компьютерного зрения (WACVW). IEEE, стр. 1–8

• Liu Y, Shi M, Zhao Q, Wang X (2019) Укажи внутрь, вычеркни: людей в толпе не счесть. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов, стр. 6469–6478

• «>

  McFarlane NJ, Schofield CP (1995) Сегментация и отслеживание поросят на изображениях. Mach Vis Appl 8(3):187–193

  Статья Google Scholar

• Mei L, Guo J, Lu P, Liu Q, Teng F (2017) Обнаружение судов внутреннего плавания на основе динамической разреженности групп. В: 2017 девятая международная конференция по передовому вычислительному интеллекту (ICACI). IEEE, стр. 1–6

• Мудголля Р., Мидья А., Сунания А.К., Чакраборти Дж. (2019) Моделирование динамического фона с использованием распределения интенсивности и ориентации видеоряда. Приложение Multimed Tools 78(16):22537–22554

  Артикул Google Scholar

• Мунируцзаман С., Хак Н., Рахман Ф., Сиам М., Мусаббир Р., Хадиуззаман М., Хоссейн С. (2016) Детерминированный алгоритм для обнаружения движения в свободном потоке и заторах с использованием видеодатчика. J Built Environ Technol Eng 1:111–130

  Google Scholar

• Ойала Т., Пиетикайнен М., Харвуд Д. (1996) Сравнительное исследование мер текстуры с классификацией, основанной на характерных распределениях. Распознавание образов 29(1):51–59

  Артикул Google Scholar

• Ойала Т., Пиетикайнен М., Маенпаа Т. (2002) Классификация текстур в оттенках серого с множественным разрешением и инвариантность к вращению с локальными бинарными паттернами. IEEE Trans Pattern Anal Mach Intell 24(7):971–987

  Статья МАТЕМАТИКА Google Scholar

• Панда Д.К., Мехер С. (2018) Адаптивное пространственно-временное вычитание фона с использованием усовершенствованной схемы обнаружения изменений Вронского в рамках гауссовской смешанной модели. IET Image Process 12(10):1832–1843

  Артикул Google Scholar

• «>

  Панда Д.К., Мехер С. (2018) Новая модель обнаружения изменений Вронского на основе вычитания фона кодовой книги для приложений визуального наблюдения. J Vis Commun Image Represent 56:52–72

  Статья Google Scholar

• Панг С., Чжао Дж., Хартил Б., Саррафзаде А. (2016) Моделирование сцены состава суши и воды для наблюдения за морским движением. Int J Appl Pattern Recognition 3(4):324–350

  Артикул Google Scholar

• Perrett T, Mirmehdi M, Dias E (2016) Визуальный мониторинг взаимодействия водителя и пассажира с панелью управления. IEEE Trans Intel Transp Syst 18 (2):321–331

  Статья Google Scholar

• Piccardi M (2004) Методы вычитания фона: обзор. В: Международная конференция IEEE по системам, человеку и кибернетике, 2004 г., том 4. IEEE, стр. 309.9–3104

• Кесада Дж., Родригес П. (2016) Метод автоматического подсчета транспортных средств, основанный на моделировании фона преследования по основным компонентам. В: 2016 Международная конференция IEEE по обработке изображений (ICIP). IEEE, стр. 3822–3826

• Рой А., Шинде С., Канг К.Д. и др. (2010) Подход к эффективному обнаружению движущихся объектов в реальном времени. В: ESA, стр. 157–162

• Shen W, Lin Y, Yu L, Xue F, Hong W (2018) Одноканальное круговое обнаружение движущихся целей на основе логарифмического алгоритма вычитания фона. Дистанционный датчик 10(5):742

  Артикул Google Scholar

• Собрал А., Вакавант А. (2014) Всесторонний обзор алгоритмов вычитания фона, оцененных с помощью синтетических и реальных видео. Comput Vis Image Underst 122:4–21

  Статья Google Scholar

• «>

  Sobral A, Bouwmans T, ZahZah EJ (2015) RPCA с двойным ограничением на основе карт заметности для обнаружения переднего плана в автоматизированном морском наблюдении. В: 2015 г. 12-я международная конференция IEEE по передовому наблюдению на основе видео и сигналов (AVSS). IEEE, стр. 1–6

• Stauffer C, Grimson WEL (1999) Адаптивные модели смешанного фона для отслеживания в реальном времени. В: Конференция компьютерного общества IEEE по компьютерному зрению и распознаванию образов, 1999 г., том 2. IEEE, стр. 246–252

• Тамаш Б. (2016) Обнаружение и анализ движения гребли в видео. В: Научная студенческая конференция BME, стр. 1–29

• Васвани Н., Боуманс Т., Джавед С., Нараянамурти П. (2018) Надежное обучение подпространству: надежный PCA, надежное отслеживание подпространства и надежное восстановление подпространства. IEEE Signal Process Mag 35(4):32–55

  Артикул Google Scholar

• «>

  Wang H, Suter D (2005) Переоценка смеси гауссовского моделирования фона [приложения для обработки видеосигнала]. В: Международная конференция IEEE по акустике, речи и обработке сигналов, 2005 г. Труды (ICASSP’05), том 2. IEEE, стр. ii–1017

• Рен К.Р., Азарбаеджани А., Даррелл Т., Пентланд А.П. (1997 г.). ) Pfinder: отслеживание человеческого тела в режиме реального времени. IEEE Trans Pattern Anal Mach Intel 19(7):780–785

  Артикул Google Scholar

• Wu M, Peng X (2010) Пространственно-временной контекст для динамического вычитания фона на основе кодовой книги. AEU-Int J Electr Commun 64(8):739–747

  Статья Google Scholar

• Ян Б., Цзоу Л. (2015) Надежное обнаружение переднего плана с использованием блочного RPCA. Оптик 126(23):4586–4590

  Артикул Google Scholar

• «>

  Yang D, Zhao C, Zhang X, Huang S (2017) Моделирование фона с помощью стабильности адаптивных функций в сложных сценах. IEEE Trans Image Process 27(3):1112–1125

  Статья MathSciNet МАТЕМАТИКА Google Scholar

• Юсиф Х., Юань Дж., Кейс Р., Хе З. (2017) Быстрое обнаружение людей и животных на сильно загроможденных изображениях с фотоловушек с использованием совместного моделирования фона и классификации глубокого обучения. In: Международный симпозиум IEEE по схемам и системам (ISCAS), 2017 г. IEEE, стр. 1–4

• Чжан С., Яо Х., Лю С. (2008) Динамическое моделирование фона и вычитание с использованием пространственно-временных локальных двоичных паттернов. В: 15-я международная конференция IEEE по обработке изображений, 2008 г. ICIP 2008. IEEE, стр. 1556–1559

• Чжун Б., Лю С., Яо Х., Чжан Б. (2009) Вычитание фона с разным разрешением для динамических сцен.

  No related posts.