“研究人员开发新的计算机视觉和深度学习做法 从受环境影响的视频中提取准确数据”

根据盖亚汽车信息，耶鲁-新加坡国立大学学院( yale-nus college )的研究人员开发了一种新的计算机视觉和深度学习方法，从受雨水和夜间条件等环境因素影响的视频中提取更准确的数据 此外，还提高了视频中3d人体姿态估计的准确性。

(图片来源: unite.ai/)

计算机视觉技术可以用于自动监控系统、自动驾驶车、医疗保健和社会交流距离工具等的应用，但大多受环境因素的影响，可能会对提取的数据造成问题。 低照明条件和强光、光晕、全光照明等人工光效果会影响夜间图像。 在下雨天，图像也会受到雨条纹和雨水积累的影响。

yale-nus college副教授robby tan说:“自动监控和自动驾驶汽车等多种计算机视觉系统基于输入视频的清晰可见性进行工作。 例如，自动驾驶车无法在大雨中稳定工作，闭路电视的自动监控系统在夜间将无法正常工作。 特别是在有昏暗的场景、明显的眩光和全光照明的情况下。”

该团队基于两个独立的研究，引入了深度学习算法以提高夜间和雨天的视频质量。 第一项研究的重点是提高亮度，抑制眩光、光晕和泛光灯等噪声和灯光的影响，从而创建清晰的夜间图像。 这项新技术的目的是提高夜间图像和视频的清晰度。

在第二个研究中，为了不受雨条纹的影响，得到更好的视觉新闻，引入了框架的定位方法。 的条纹一般随机出现在不同的帧中。 该团队利用移动摄像头进行深度估计，有助于消除雨幕效应。 按照现在的做法首先去除雨纹，但是新开发的做法可以去除雨纹和雨幕效果。

研究小组还展示了可用于视频监控、视频游戏、体育广播等行业的3d人体姿态估计技术。 近年来，单眼视频中3d多人姿势推断的研究越来越多。 与用多摄像头拍摄的视频不同，单眼视频更灵活，可以用手机等单摄像头拍摄。

在同一场景中，多个个人的活动会影响人类检查的准确性。 个人通过单眼视频密切互动或相互重叠时尤其如此。 该研究小组的第三个研究将现有的两种方法结合起来，从视频中推断3d人体的姿势。 与其他两种做法相比，新的做法可以在多人的环境下生成更可靠的姿态估计，而且适合解决个人之间的距离。

谭教授说:“下一步将研究如何保护视频隐私新闻。 计算机视觉对许多APP很重要，如自动驾驶车在恶劣的天气中更好地工作。 我们将努力开发提高可视性的做法，为这个行业的进步做出贡献。 ”