CN111818298B - 一种基于光场的高清视频监控系统及方法 - Google Patents

一种基于光场的高清视频监控系统及方法 Download PDF

Info

Publication number
CN111818298B
CN111818298B CN202010512930.0A CN202010512930A CN111818298B CN 111818298 B CN111818298 B CN 111818298B CN 202010512930 A CN202010512930 A CN 202010512930A CN 111818298 B CN111818298 B CN 111818298B
Authority
CN
China
Prior art keywords
resolution
monitoring
module
monitoring video
visual angle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010512930.0A
Other languages
English (en)
Other versions
CN111818298A (zh
Inventor
盛浩
杨达
王思哲
崔正龙
王帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhonghang Game Technology Co Silvio
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010512930.0A priority Critical patent/CN111818298B/zh
Publication of CN111818298A publication Critical patent/CN111818298A/zh
Application granted granted Critical
Publication of CN111818298B publication Critical patent/CN111818298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/265—Mixing

Abstract

本发明涉及一种基于光场的高清视频监控系统及方法，由光场监控视频采集模块、显示模块、分辨率增强模块、数据存储模块、系统管理模块组成。本发明面向视频监控领域，利用现有视频监控设备，结合光场图像超分辨技术，在不显著增加成本的前提下，实现高清视频监控。

Description

一种基于光场的高清视频监控系统及方法
技术领域
本发明涉及监控技术领域，尤其是一种基于光场的高清视频监控系统及方法。
背景技术
视频监控系统在安防、交通等领域被广泛使用并发挥着重要作用，然而由于目前普遍装备的监控设备分辨率的限制，常常导致重要细节难以分辨，无法充分发挥监控视频作为线索及证据的重要作用。然而，全面换装高分辨率监控设备将带来高昂成本，因此，充分发挥现有监控设备能力，设计算法可靠地提高监控视频分辨率成为一个可能选项。本发明通过现有设备构建光场采集系统，充分利用光场数据特性，在不显著提升成本的前提下，利用720P监控设备实现4K监控。
发明内容
为了在控制成本的同时，克服现有监控系统分辨率不足的问题，本发明提供了一种基于光场的高清视频监控系统及方法，面向视频监控领域，利用现有视频监控设备，结合光场图像超分辨技术，在不增加监控摄像机成本的前提下，实现高清视频监控。
本发明采用如下的技术方案：
一种基于光场的高清视频监控系统，包括监控视频采集模块、分辨率增强模块、显示模块、数据存储模块和系统管理模块，其中：
监控视频采集模块实现角分辨率为3×3的720P光场监控视频的采集，该模块包含分布在均匀规则3×3网格上的9个光轴平行的720P分辨率监控摄像头，相邻视角图像保证最大视差小于15像素。
分辨率增强模块实现光场视频中心视角分辨率增强，采用一种独创的光场中心视角超分辨卷积神经网络，通过全局与局部残差结构的结合，在充分发掘光场监控视频中心视角自身信息的同时，充分提取光场图像周围视角信息，实现中心视角亚像素信息的可靠补充，对中心视角进行超分辨处理，准实时生成4K高分辨率场景监控视频。
显示模块管理两块4K高分辨率显示器，一块显示监控视频采集模块采集得到的角分辨率为3×3的720P光场监控视频，另一块同步显示分辨率增强至4K的高分辨率场景监控视频。
数据存储模块连接视频数据库，自动存储监控视频采集模块捕获的角分辨率为3×3的720P光场监控视频与分辨率增强模块生成的4K高分辨率场景监控视频，提供视频数据的添加、删除、查询接口。
系统管理模块与数据存储模块连接后，可对视频数据库中存储的全部监控视频进行查询与删除，系统管理模块连接用户数据库，将用户分为系统管理员与普通用户，系统管理员可查询与删除监控数据，普通用户仅可查询监控数据。
本发明的一种基于光场的高清视频监控方法，其中，监控视频采集模块通过分布在均匀规则3×3网格上的9个光轴平行的720P分辨率监控摄像头采集光场监控视频数据，相邻视角图像保证最大视差小于15像素，采集得到的光场监控视频数据发送至数据存储模块、分辨率增强模块与显示模块；分辨率增强模块根据输入的角分辨率为3×3的720P光场监控视频，使用一种独创的光场中心视角超分辨卷积神经网络，准实时生成4K高分辨率场景监控视频，并将其发送至数据存储模块与显示模块；显示模块，在一块4K显示器上显示角分辨率为3×3的720P光场监控视频，在另外一块4K显示器上同步显示分辨率增强至4K的高分辨率场景监控视频，在实时监控模式下，显示来自监控视频采集模块的角分辨率为3×3的720P光场监控视频与来自分辨率增强模块的分辨率增强至4K的高分辨率场景监控视频，在数据查询模式下，显示来自系统管理模块的角分辨率为3×3的720P光场监控视频与分辨率增强至4K的高分辨率场景监控视频；数据存储模块接收并自动保存来自监控视频采集模块的角分辨率为3×3的720P光场监控视频与分辨率增强模块生成的4K高分辨率场景监控视频，根据系统管理模块请求将监控视频发送至系统管理模块，根据系统管理模块请求将监控视频删除；系统管理模块根据用户指令从数据存储模块中提取监控视频并发送至显示模块，根据用户指令从数据存储模块中删除指定监控视频，根据用户指令控制显示模块的显示模式，分别为实时监控模式与数据查询模式，系统管理模块将用户分为系统管理员与普通用户，系统管理员查询与删除监控数据，普通用户仅查询监控数据。
本发明与现有技术相比的优点在于：
(1)本发明基于现有设备，在不显著增加视频监控设备成本的基础上，采用一种独创的光场中心视角超分辨卷积神经网络，准实时生成4K高分辨率场景监控视频，实现高可靠性的图像超分辨，得到更高分辨率、更高清晰度的场景监控视频，进一步增加了监控视频的实用性与可靠性。
(2)基于本发明所述光场监控视频以及光场中心视角超分辨卷积神经网络，可将当前常见的分辨率为1280×720的720P监控视频提高至分辨率为3840×2160的4K高清场景监控视频，超分辨所得4K高清场景监控视频与真实采集4K高清场景监控视频相比，其峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)达到34.50，结构相似性(StructuralSimilarity Index，SSIM)达到0.9748，具备充分的可靠性。本发明所述光场中心视角超分辨卷积神经网络，其单帧图像平均计算时间为0.62s，达到准实时水平，具备充分的实用性。
附图说明
图1为本发明的系统整体运行结构示意图；
图2为本发明的系统部署方式示意图；
图3为本发明的监控视频采集模块摄像头排列方式示意图；
图4为本发明的光场图像中心视角超分辨卷积神经网络结构图；
图5为本发明的光场图像中心视角超分辨卷积神经网络中残差模块结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。
在图1本发明的整体结构示意图中系统整体的模块结构和模块之间的连接方案如下：
监控视频采集模块，管理分布在3×3均匀规则网格上的9个720P监控摄像头。所有摄像头镜头光轴平行，同时相邻视角图像最大视差小于15像素。监控视频采集模块利用9个720P监控摄像头，采集角分辨率为3×3的光场数据，其镜头排列方式如图3所示，分布在间距为b的均匀规则网格上，各摄像头光轴平行且垂直于规则网格平面。摄像头间距b根据拍摄场景确定，保证相邻视角图像间最大视差小于15像素。采集得到的全部720P光场数据被发送至数据存储模块、分辨率增强模块以及显示模块。
分辨率增强模块，根据监控视频采集模块采集到的光场数据，使用独创的光场中心视角超分辨卷积神经网络，通过多路网络设计，以及全局与局部残差结构的结合，在完整保留中心视角低频信息的前提下，充分提取光场中心视角自身高频信息以及周围视角高频补充信息，实现高质量超分辨。网络如图4所示，采用多路网络结构分别从各输入视角提取图像信息。其中，中心视角为高分辨率监控视频的基础视角，采用全局残差结构与局部残差结构，周围8个视角为辅助视角，均只采用局部残差结构。将3×3光场视角以行主式排序，从左上到右下分别编号为1至9。以xi表示双三次插值至3840×2160的第i视角图像，则中心视角信息提取可由如下公式表示：
Fc(x5)＝RB22(…RB1(ReLU(Conv(x5)))…)+x5 (1)
公式(1)中，Fc(·)表示中心视角信息提取运算，Conv(·)为卷积运算，ReLU(·)为整流线性单位函数，如下公式所示：
ReLU(x)＝max(0，x) (2)
公式(2)中，x表示任意尺寸特征图，max(0，x)函数将x的每一位数字与0比较，保留二者中的大者。公式(1)中RBk(·)为第k个残差模块，残差模块结构全部相同，如图5所示，实现方式如下公式所示：
RBk(x)＝ReLU(Conv(ReLU(Conv(x)))+x (3)
其中x表示任意尺寸特征图，Conv(·)与ReLU(·)含义同公式(1)中对应运算相同。公式(1)中以…表示省略的第2至21个残差模块。来自视角1～4、6～9的辅助视角信息提取可由如下公式表示：
F(xn)＝RB22(…RB1(ReLU(Conv(xn)))…)，n＝1，2，3，4，6，7，8，9 (4)
其中，F(·)表示辅助视角信息提取运算，RBk(·)、…、ReLU(·)、Conv(·)含义同公式(1)中对应部分相同。9条分路的输出经由拼接形成一组特征图，再经过两次卷积整合形成最终的超分辨输出xSR。网络整体结构如下公式所示：
xSR＝ReLU(Conv(ReLU(Conv(Concat(Fc(x5)，F(x1)，…，F(x4)，F(x6)，…，F(x9)))))) (5)
其中，Concat(·)为拼接函数，将输入特征图组按照通道维度拼接在一起，ReLU(·)、Conv(·)含义同公式(1)中对应部分相同，Fc(·)如公式(1)所示，F(·)如公式(4)所示。本发明使用的全部卷积层卷积核大小均为3×3，步长为1，特征图周围填充0以使大小不变。除最后的卷积层卷积核数为3以外，其余卷积层卷积核数均为128。网络的训练目标数据为本发明所述数据采集模块采集得到的角分辨率为3×3的720P光场监控视频的中心视角图像，将角分辨率为3×3的720P光场监控视频空间降采样至427×240后插值回1280×720作为训练输入数据，空间降采样与插值均使用双三次插值算法。网络训练目标函数使用均方误差函数(Mean Square Error，MSE)，如下公式所示：
Figure GDA0003048642810000041
其中，
Figure GDA0003048642810000042
为网络在第k个训练数据上的超分辨输出，SR为Super-Resolution缩写，意为超分辨，
Figure GDA0003048642810000043
为第k个训练数据中的720P光场监控视频的原始中心视角，HR为High-Resolution缩写，意为高分辨率，N为全部训练数据的数量。基于以上卷积神经网络，根据角分辨率为3×3的720P光场监控视频输入，分辨率增强模块产生4K高分辨率场景监控视频。本模块产生的高分辨率场景监控视频被分别发送至数据存储模块与显示模块。
数据存储模块连接视频数据库，自动存储监控视频采集模块捕获的角分辨率为3×3的720P光场监控视频与分辨率增强模块生成的4K高分辨率场景监控视频，提供视频数据的添加、删除、查询接口，根据系统管理模块的请求，调取任意监控视频发送至系统管理模块，根据系统管理模块的请求，删除任意监控视频。
系统管理模块与数据存储模块连接，根据用户指令对视频数据库中存储的全部监控视频进行查询与删除，根据用户指令，从数据存储模块处取得光场监控视频后，发送至显示模块进行播放。根据用户指令控制显示模块的显示模式，分别为实时监控模式与数据查询模式。系统管理模块连接用户数据库，将用户分为系统管理员与普通用户，其中，系统管理员可查询与删除监控数据，普通用户仅可查询监控数据。
显示模块管理两块4K高分辨率显示器，一块以九宫格形式显示720P光场监控视频的全部3×3视角，另一块同步显示分辨率增强至4K的高分辨率场景监控视频。在实时监控模式下，显示来自监控视频采集模块的角分辨率为3×3的720P光场监控视频与来自分辨率增强模块的分辨率增强至4K的高分辨率场景监控视频，在数据查询模式下，显示来自系统管理模块的角分辨率为3×3的720P光场监控视频与分辨率增强至4K的高分辨率场景监控视频。
如图2所示，本系统的硬件部署方法，其中各硬件部署方案如下：
S1：系统的计算服务器设备，设备为配置高性能计算卡的服务器，运行光场视频分辨率增强程序；
S2：系统终端设备，设备为台式电脑，带有系统的数据存储模块；
S3：系统的管理服务器设备，提供访问基础数据的服务；
S4：光场监控视频采集设备，设备为在3×3均匀规则网格上排列、光轴平行、相邻视角图像最大视差小于15像素的720P监控摄像头；
S5：高速以太网设备，为S1、S2、S3、S4、S6、S7提供基础数据交换服务；
S6：系统管理设备，设备为台式电脑，实现监控视频的查询与删除，实现用户权限控制；
S7：系统监控数据的显示设备，设备为2块4K LCD显示器；
S8：监控系统用户，在系统管理设备上查询监控视频，从显示设备上观看监控视频。
分为系统管理员与普通用户，其中系统管理员可以删除系统中的监控视频。

Claims (2)

1.一种基于光场的高清视频监控系统，其特征在于，包括：监控视频采集模块、分辨率增强模块、显示模块、数据存储模块和系统管理模块；
监控视频采集模块，实现角分辨率为3×3的720P光场监控视频的采集；
分辨率增强模块，实现光场视频中心视角分辨率增强，采用一种光场中心视角超分辨卷积神经网络，在充分发掘光场监控视频中心视角自身信息的同时将采集到的光场监控视频周围视角信息补充至光场监控视频中心视角，对中心视角进行超分辨处理，准实时生成4K高分辨率场景监控视频；
显示模块，包括两块4K高分辨率显示器，其中一块显示监控视频采集模块采集得到的角分辨率为3×3的720P光场监控视频，另外一块同步显示分辨率增强至4K的高分辨率场景监控视频；
数据存储模块，连接视频数据库，自动存储监控视频采集模块采集得到的角分辨率为3×3的720P光场监控视频与分辨率增强模块生成的4K高分辨率场景监控视频，提供数据的添加、删除、查询接口；
系统管理模块，与数据存储模块连接后，对视频数据库中存储的全部监控视频进行查询与删除；系统管理模块连接用户数据库，将用户分为系统管理员与普通用户，系统管理员查询与删除监控数据，普通用户仅查询监控数据；
所述光场中心视角超分辨卷积神经网络实现如下：
(1)光场中心视角超分辨卷积神经网络，采用多路网络结构分别从各输入视角提取图像信息，其中，中心视角为高分辨率监控视频的基础视角，采用全局残差结构与局部残差结构，全局残差结构完整保留中心视角低频信息，局部残差结构提取中心视角高频信息，周围8个视角为辅助视角，均只采用局部残差结构，分别提取来自周围各视角的高频补充信息；局部残差结构由残差模块实现；9条分路的输出经由拼接形成一组特征图，经过另外两层卷积，得到最终的超分辨中心视角；
(2)残差模块输入经过两层卷积运算的结果与输入相加得到输出；
(3)光场中心视角超分辨卷积神经网络全部卷积层的卷积核大小均为3×3，步长为1，特征图边缘填充0以保证卷积过后特征图尺寸不发生变化；网络的全部卷积层均搭配整流线性单位函数ReLU(Rectified Linear Unit,ReLU)，除最后一个卷积层卷积核数为3外，其他层卷积核数均为128；
(4)各网络分支的输入分别为对应视角720P监控视频经过双三次插值得到的4K分辨率图像；
所述监控视频采集模块包括分布在均匀规则3×3网格上的9个光轴平行的720P分辨率监控摄像头，相邻视角图像保证最大视差小于15像素，以完成光场监控视频的采集。
2.一种基于光场的高清视频监控方法，其特征在于：监控视频采集模块通过分布在均匀规则3×3网格上的9个光轴平行的720P分辨率监控摄像头采集光场监控视频数据，相邻视角图像保证最大视差小于15像素，采集得到的光场监控视频数据发送至数据存储模块、分辨率增强模块与显示模块；分辨率增强模块根据输入的角分辨率为3×3的720P光场监控视频，使用一种光场中心视角超分辨卷积神经网络，准实时生成4K高分辨率场景监控视频，并将其发送至数据存储模块与显示模块；显示模块，在一块4K显示器上显示角分辨率为3×3的720P光场监控视频，在另外一块4K显示器上同步显示分辨率增强至4K的高分辨率场景监控视频，在实时监控模式下，显示来自监控视频采集模块的角分辨率为3×3的720P光场监控视频与来自分辨率增强模块的分辨率增强至4K的高分辨率场景监控视频，在数据查询模式下，接收来自系统管理模块的角分辨率为3×3的720P光场监控视频与分辨率增强至4K的高分辨率场景监控视频；数据存储模块接收并自动保存来自监控视频采集模块的角分辨率为3×3的720P光场监控视频与分辨率增强模块生成的4K高分辨率场景监控视频，根据系统管理模块请求将监控视频发送至系统管理模块，根据系统管理模块请求将监控视频删除；系统管理模块根据用户指令从数据存储模块中提取监控视频并发送至显示模块，根据用户指令从数据存储模块中删除指定监控视频，根据用户指令控制显示模块的显示模式，分别为实时监控模式与数据查询模式，系统管理模块将用户分为系统管理员与普通用户，系统管理员查询与删除监控数据，普通用户仅查询监控数据；
所述光场中心视角超分辨卷积神经网络实现如下：
(1)光场中心视角超分辨卷积神经网络，采用多路网络结构分别从各输入视角提取图像信息，其中，中心视角为高分辨率监控视频的基础视角，采用全局残差结构与局部残差结构，全局残差结构完整保留中心视角低频信息，局部残差结构提取中心视角高频信息，周围8个视角为辅助视角，均只采用局部残差结构，分别提取来自周围各视角的高频补充信息；局部残差结构由残差模块实现；9条分路的输出经由拼接形成一组特征图，经过另外两层卷积，得到最终的超分辨中心视角；
(2)残差模块，输入经过两层卷积运算的结果与输入相加得到输出；
(3)光场中心视角超分辨卷积神经网络全部卷积层的卷积核大小均为3×3，步长为1，特征图边缘填充0以保证卷积过后特征图尺寸不发生变化；网络的全部卷积层均搭配整流线性单位函数ReLU(Rectified Linear Unit,ReLU)，除最后一个卷积层卷积核数为3外，其他层卷积核数均为128；
(4)各网络分支的输入分别为对应视角720P监控视频经过双三次插值得到的4K分辨率图像。
CN202010512930.0A 2020-06-08 2020-06-08 一种基于光场的高清视频监控系统及方法 Active CN111818298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010512930.0A CN111818298B (zh) 2020-06-08 2020-06-08 一种基于光场的高清视频监控系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010512930.0A CN111818298B (zh) 2020-06-08 2020-06-08 一种基于光场的高清视频监控系统及方法

Publications (2)

Publication Number Publication Date
CN111818298A CN111818298A (zh) 2020-10-23
CN111818298B true CN111818298B (zh) 2021-10-22

Family

ID=72846001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010512930.0A Active CN111818298B (zh) 2020-06-08 2020-06-08 一种基于光场的高清视频监控系统及方法

Country Status (1)

Country Link
CN (1) CN111818298B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837321B (zh) * 2021-02-09 2022-10-11 北京航空航天大学 一种基于光场的场景语义分割系统及方法
CN113784217A (zh) * 2021-09-13 2021-12-10 天津智融创新科技发展有限公司 视频播放方法、装置、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108074218A (zh) * 2017-12-29 2018-05-25 清华大学 基于光场采集装置的图像超分辨率方法及装置
CN110276721A (zh) * 2019-04-28 2019-09-24 天津大学 基于级联残差卷积神经网络的图像超分辨率重建方法
CN110599401A (zh) * 2019-08-19 2019-12-20 中国科学院电子学研究所 遥感图像超分辨率重建方法、处理装置及可读存储介质
CN111192200A (zh) * 2020-01-02 2020-05-22 南京邮电大学 基于融合注意力机制残差网络的图像超分辨率重建方法
CN111242846A (zh) * 2020-01-07 2020-06-05 福州大学 基于非局部增强网络的细粒度尺度图像超分辨率方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11051039B2 (en) * 2017-06-02 2021-06-29 Ostendo Technologies, Inc. Methods for full parallax light field compression
CN107657586A (zh) * 2017-10-13 2018-02-02 深圳市唯特视科技有限公司 一种基于深度残差网络的单照片超分辨增强方法
CN108230223A (zh) * 2017-12-28 2018-06-29 清华大学 基于卷积神经网络的光场角度超分辨率方法及装置
CN108280814B (zh) * 2018-02-08 2021-08-31 重庆邮电大学 基于感知损失的光场图像角度超分辨率重建方法
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108074218A (zh) * 2017-12-29 2018-05-25 清华大学 基于光场采集装置的图像超分辨率方法及装置
CN110276721A (zh) * 2019-04-28 2019-09-24 天津大学 基于级联残差卷积神经网络的图像超分辨率重建方法
CN110599401A (zh) * 2019-08-19 2019-12-20 中国科学院电子学研究所 遥感图像超分辨率重建方法、处理装置及可读存储介质
CN111192200A (zh) * 2020-01-02 2020-05-22 南京邮电大学 基于融合注意力机制残差网络的图像超分辨率重建方法
CN111242846A (zh) * 2020-01-07 2020-06-05 福州大学 基于非局部增强网络的细粒度尺度图像超分辨率方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络的光场图像超分辨率重建;郑祥祥;《中国优秀硕士学位论文全文数据库信息科技辑》;20180715;全文 *
基于超分辨率的图像重建算法及研究;符子瑞;《中国优秀硕士学位论文全文数据库信息科技辑》;20180415;全文 *

Also Published As

Publication number Publication date
CN111818298A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
Liu et al. Learning temporal dynamics for video super-resolution: A deep learning approach
CN112053446B (zh) 一种基于三维gis的实时监控视频与三维场景融合方法
CN108074218B (zh) 基于光场采集装置的图像超分辨率方法及装置
Lei et al. Depth map super-resolution considering view synthesis quality
CN109447919B (zh) 结合多视角与语义纹理特征的光场超分辨率重建方法
US7542047B2 (en) Multi-dimensional texture drawing apparatus, compressing apparatus, drawing system, drawing method, and drawing program
CN104349142B (zh) 一种基于分层表达的无人机视频自适应传输方法
WO2012151777A1 (zh) 多目标跟踪特写拍摄视频监控系统
CN111818298B (zh) 一种基于光场的高清视频监控系统及方法
CN106791927A (zh) 一种基于深度学习的视频增强与传输方法
US20220394226A1 (en) Free viewpoint video generation and interaction method based on deep convolutional neural network
CN111160295B (zh) 基于区域引导和时空注意力的视频行人重识别方法
US20160275354A1 (en) System and method for video context-based composition and compression from normalized spatial resolution objects
CN105933678A (zh) 基于多目标智能跟踪的多焦距镜头联动成像装置
CN110070489A (zh) 一种基于视差注意力机制的双目图像超分辨方法
CN102857739A (zh) 分布式全景监控系统及其方法
CN110223236B (zh) 用于增强图像序列的方法
CN109005334A (zh) 一种成像方法、装置、终端和存储介质
CN110880162A (zh) 基于深度学习的快照光谱深度联合成像方法及系统
Shuai et al. Mobiup: An upsampling-based system architecture for high-quality video streaming on mobile devices
CN105701770B (zh) 一种基于上下文线性模型的人脸超分辨率处理方法及系统
CN110276739B (zh) 一种基于深度学习的视频去抖方法
CN111083368A (zh) 一种基于云端的模拟物理云台全景视频展示系统
Chai et al. TCCL-Net: Transformer-Convolution Collaborative Learning Network for Omnidirectional Image Super-Resolution
Xiao et al. Space-time super-resolution for light field videos

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220721

Address after: 102600 Building 8, yard 29, Jinghai Second Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Patentee after: Beijing Zhonghang Game Technology Co. Silvio

Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road

Patentee before: BEIHANG University