-
公开(公告)号:CN117812269A
公开(公告)日:2024-04-02
申请号:CN202311589272.5
申请日:2023-11-27
Applicant: 北京大学
IPC: H04N19/513
Abstract: 本申请涉及运动估计及编码技术领域,尤其涉及基于整像素精度搜索的仿射运动估计方法、装置及介质。所述方法包括:获取当前编码单元;对当前编码单元进行整像素精度搜索,得到当前编码单元的候选运动矢量集合,其中,所述候选运动矢量集合包括所述当前编码单元在整像素级别上可能的运动矢量;将所述当前编码单元划分为多个子编码块,并在所述候选运动矢量集合中收集每个子编码块对应的子运动矢量;基于每个子编码块对应的子运动矢量构建仿射变换关系;根据所述仿射变换关系得到当前编码单元的控制点运动矢量。本申请避免了分像素精度的复杂插值操作、子编码块的运动补偿、迭代优化的计算,减少了运动估计的复杂度,且适用于硬件优化。
-
公开(公告)号:CN117499666A
公开(公告)日:2024-02-02
申请号:CN202311548809.3
申请日:2023-11-20
Applicant: 北京大学
IPC: H04N19/503 , H04N19/523 , H04N19/567 , H04N19/176
Abstract: 本发明提供一种用于视频编码帧间预测的分像素运动估计方法及装置,所述方法包括:确定当前预测单元对应的预测块,并将当前预测单元对应的预测块划分为多个子预测块;针对每个子预测块,确定对应的最优子率失真代价值,以及对应的子率失真代价值集;基于各子预测块对应的最优子率失真代价值,以及各子预测块对应的子率失真代价值集,确定各子预测块的误差曲面;对多个子预测块的误差曲面求和,得到预测块的混合误差曲面,并基于所述混合误差曲面进行分像素运动估计。基于此,实现增加较少复杂度的同时,构建较为准确的误差曲面,提高分像素运动估计的准确性。
-
公开(公告)号:CN111092926B
公开(公告)日:2021-10-22
申请号:CN201910804242.9
申请日:2019-08-28
Applicant: 北京大学
Abstract: 本申请提供一种数字视网膜多元数据快速关联方法及装置、一种电子设备、一种网络视频监控设备以及一种计算机可读介质。其中,数字视网膜多元数据快速关联方法包括:获取监控视频流;根据所述监控视频流生成数字视网膜数据,其中,所述数字视网膜数据包括根据所述监控视频流提取的目标图像、结构化数据、特征流和浓缩视频流中的多项数据,且所述多项数据中的每一项均携带有摄像头任务标识和时间戳信息;将所述数字视网膜数据上传至云端服务器,以使云端服务器将所述数字视网膜数据分项存储,并根据所述摄像头任务标识和时间戳信息将分项存储的所述数字视网膜数据进行关联。本方法网络传输负荷低,且可有效提升监控视频的调阅效率。
-
公开(公告)号:CN112752102A
公开(公告)日:2021-05-04
申请号:CN201911053402.7
申请日:2019-10-31
Applicant: 北京大学
IPC: H04N19/146 , H04N19/136 , H04N21/2662
Abstract: 本发明公布了一种基于视觉显著性的视频码率分配方法,建立时域相关性的视觉显著性模型;采用基于显著性的码率分配算法和基于显著性区域质量一致性的窗口权重平滑算法,得到调整后的显著性权重;再根据调整后的显著性权重指导CTU级码率分配算法,由此实现视频码率分配。本发明提供的技术方案充分考虑人眼视觉机制以及显着性区域的质量一致性,能够在视频中检测出人眼关注的区域并且加入了显著性区域的连续性,最终在码率分配上依照显著性权重分配码率使得有效地提升显著性区域质量和提升主观质量。
-
公开(公告)号:CN111090773A
公开(公告)日:2020-05-01
申请号:CN201910804261.1
申请日:2019-08-28
Applicant: 北京大学
IPC: G06F16/71 , G06F16/783 , H04N7/18 , H04N19/85
Abstract: 本发明涉及安防监控和人工智能领域,特别涉及一种数字视网膜体系结构及软件架构方法及系统。包括:接入视频流;将视频流在前端处理转换为视频浓缩流和特征流;将视频浓缩流和特征流传输给云端;云端存储接收到的视频浓缩流和特征流,并接收终端的离线检索指令,将离线检索得到的结果返回至终端进行显示或/和接收终端的实时追踪指令,实时追踪得到的结果返回至终端进行显示。改变现有视频监控系统的体系架构,由视频监控转变为智能监控,解决大规模监控视频的智能分析和系统应用问题。
-
公开(公告)号:CN106157305B
公开(公告)日:2019-02-15
申请号:CN201610509334.0
申请日:2016-06-30
Applicant: 北京大学
IPC: G06T5/00
Abstract: 本发明提供一种基于局部特性的高动态图像快速生成方法,所述方法包括如下步骤:图像分割步骤,将同一场景不同曝光度的图像分割成面积等大的块;像素级权重生成步骤,取得所述每个块的块级权重,采用均值滤波对权重图进行平滑,滤除权重块之间的边缘;图像融合步骤,通过生成的像素级权重,根据图像融合模型将不同曝光度的图像融合在一起。该方法使融合后的高动态视频图像能够包含所有亮度范围的信息,并且能够保证快速的算法运行速度。
-
公开(公告)号:CN106162133B
公开(公告)日:2018-11-09
申请号:CN201610512698.4
申请日:2016-06-30
Applicant: 北京大学
Abstract: 本发明公开一种于自适应导向滤波的颜色插值方法,其包括:图像输入步骤,输入要处理的图像;滤波步骤,根据所输入图像的类型,确定所用的自适应导向滤波器离散格式,进行方向自适应引导滤波;G通道颜色分量插值步骤,根据在8个方向所确定的自适应权重值,使用已知的相邻像素值计算GX值;B、R通道颜色分量插值步骤,在取得全部的G通道的像素值后,对B通道的未知像素进行插值,利用G和B的颜色差异对位置像素的可能插值方向进行估计,计算B通道未知像素BX四个方向的颜色余数rBG;修正步骤,对G、R、B颜色分量进行精细修正;以及插值结果输出步骤,输出颜色插值的结果。
-
公开(公告)号:CN105072588B
公开(公告)日:2018-10-16
申请号:CN201510477744.7
申请日:2015-08-06
Applicant: 北京大学
Abstract: 本发明公开了一种全新全线性无纠错保护的组播方法AnalogCast。该方法包括:在发送端,对多媒体数据进行去相关性变换、基于L形状的分块与数据拉伸,白化变换和基于图像群(GoP)的交织,通过无纠错保护的线性调制的无线通信信道进行传输。在接收端,对接收数据进行去交织,反白化,基于接收数据的拉伸因子估算,基于拟合的修正因子模型修正,反拉伸和反去相关性变换。本发明能够得到以下优势:(1)优越的公平性。(2)元数据传输不存在“悬崖”效应,拥有更好的鲁棒性与传输距离。(3)没有数字边路,计算复杂度与内存开销减少。(4)无需元数据传输,减少带宽占用。(5)在高丢包率的线路中,获得更好的图像质量。
-
公开(公告)号:CN106162137B
公开(公告)日:2018-10-12
申请号:CN201610515321.4
申请日:2016-06-30
Applicant: 北京大学
IPC: H04N13/239 , H04N13/243 , H04N13/117 , H04N13/257
Abstract: 本发明公开一种虚拟视点合成方法及装置,涉及电子信息技术领域,旨在解决虚拟视点合成中的物体遮挡关系不明确和影像重叠、出现虚假边缘等问题。所述方法包括:分别获取至少两台视频图像采集设备采集的图像信息;所述至少两台视频图像采集设备的拍摄角度不同;根据所述图像信息中的深度图像信息,从每台所述视频图像采集设备采集的每幅图像中分离出背景图像、前景图像;对所述背景图像、所述前景图像向目标视点方向进行三维变换和图像合成,以形成与所述目标视点方向相对应的虚拟视点图像。
-
公开(公告)号:CN108447036A
公开(公告)日:2018-08-24
申请号:CN201810246429.7
申请日:2018-03-23
Applicant: 北京大学
IPC: G06T5/00
Abstract: 本发明所述基于卷积神经网络的低光照图像增强方法,包括以下步骤:首先在卷积模块中输入特征图像,然后通过若干卷积模块进行处理。在每个卷积模块中,都在若干条卷积层路径下对特征图像进行第一次分支处理,并将整合后的第一次分支处理数据进行第二次分支处理,得到卷积模块的输出。在最后一个卷积模块后,使用卷积层进行计算,得到神经网络的输出,利用损失函数计算网络输出的图像数据与实际图像的差值,根据差值优化卷积神经网络的参数。本发明利用卷积神经网络实现低光照图像的增强,并利用损失函数对神经网络中的参数进行约束优化,达到所期望的增加图像的亮度、对比度,提升图像主观美感的效果,并极大程度上保持图像原有的结构、细节信息。
-
-
-
-
-
-
-
-
-