دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Thierry Bouwmans, Fatih Porikli, Benjamin Höferlin, Antoine Vacavant سری: ISBN (شابک) : 1482205378, 9781482205374 ناشر: Chapman and Hall/CRC سال نشر: 2014 تعداد صفحات: 633 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 23 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Background Modeling and Foreground Detection for Video Surveillance به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مدل سازی پس زمینه و تشخیص پیش زمینه برای نظارت تصویری نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
مدلسازی پسزمینه و تشخیص پیشزمینه مراحل مهمی در پردازش ویدیویی هستند که برای شناسایی اجسام متحرک قوی در محیطهای چالشبرانگیز استفاده میشوند. این امر مستلزم روشهای مؤثری برای مقابله با پسزمینههای پویا و تغییرات روشنایی و همچنین الگوریتمهایی است که باید نیازهای حافظه کم و زمان واقعی را برآورده کنند.
با ترکیب ایدههای جدید و جدید، مدل سازی پس زمینه و تشخیص پیش زمینه برای نظارت تصویری نمای کلی کاملی از مفاهیم، الگوریتم ها و برنامه های مربوط به مدل سازی پس زمینه و تشخیص پیش زمینه ارائه می دهد. رهبران در این زمینه به طیف گسترده ای از چالش ها، از جمله لرزش دوربین و تفریق پس زمینه می پردازند.
این کتاب روش ها و الگوریتم های برتر برای تشخیص اجسام متحرک در نظارت تصویری را ارائه می دهد. مدلهای آماری، مدلهای خوشهبندی، شبکههای عصبی و مدلهای فازی را پوشش میدهد. همچنین به مسائل مربوط به حسگرها، سخت افزار و پیاده سازی می پردازد و منابع و مجموعه داده های مورد نیاز برای ارزیابی و مقایسه الگوریتم های تفریق پس زمینه را مورد بحث قرار می دهد. مجموعه داده ها و کدهای استفاده شده در متن، همراه با پیوندهایی به نمایش نرم افزار، در وب سایت کتاب موجود است.
منبع یک مرحله ای در مورد مدل های به روز، الگوریتمها، پیادهسازیها و تکنیکهای محک، این کتاب به محققان و توسعهدهندگان صنعت کمک میکند تا نحوه استفاده از مدلهای پسزمینه و روشهای تشخیص پیشزمینه را برای نظارت تصویری و حوزههای مرتبط، مانند ضبط حرکت نوری، برنامههای چندرسانهای، کنفرانس از راه دور، ویرایش ویدیو، و انسان-رایانه به کار ببرند. رابط ها همچنین می توان از آن در دوره های تحصیلات تکمیلی در زمینه بینایی کامپیوتر، پردازش تصویر، معماری بلادرنگ، یادگیری ماشین یا داده کاوی استفاده کرد.
Background modeling and foreground detection are important steps in video processing used to detect robustly moving objects in challenging environments. This requires effective methods for dealing with dynamic backgrounds and illumination changes as well as algorithms that must meet real-time and low memory requirements.
Incorporating both established and new ideas, Background Modeling and Foreground Detection for Video Surveillance provides a complete overview of the concepts, algorithms, and applications related to background modeling and foreground detection. Leaders in the field address a wide range of challenges, including camera jitter and background subtraction.
The book presents the top methods and algorithms for detecting moving objects in video surveillance. It covers statistical models, clustering models, neural networks, and fuzzy models. It also addresses sensors, hardware, and implementation issues and discusses the resources and datasets required for evaluating and comparing background subtraction algorithms. The datasets and codes used in the text, along with links to software demonstrations, are available on the book’s website.
A one-stop resource on up-to-date models, algorithms, implementations, and benchmarking techniques, this book helps researchers and industry developers understand how to apply background models and foreground detection methods to video surveillance and related areas, such as optical motion capture, multimedia applications, teleconferencing, video editing, and human–computer interfaces. It can also be used in graduate courses on computer vision, image processing, real-time architecture, machine learning, or data mining.