найти сильно отличающееся значение

[Вадим Мошев]

Не читал всю тему. Предложил бы такой вариант. Искомое значение это такое, которое сильнее всего отличается от среднего арифметического всех элементов, быть может, за исключением текущего значения.

То есть, для i = 1..n сравнить i-й элемент со средним арифметическим всех элементов, за исключением i-го. Элемент с максимальным отличием и будет искомым.

[WorldMaster]

Эх ... с чего бы начать чтобы лишнего не болтнуть ))).
В общем это визуальное распознавание образов.
Объекты достаточно однородного цвета с частичными рисунками и надписями.
Объектов в поле может быть один или несколько.
Объекты в поле могут перемещаться с достаточно быстрой скоростью. И вот на большой скорости проявляется смазывание. При этом цвет объекта плывет.
Использую метрику сравнения гистограмм

храню предыдущий фрагмент объекта. На каждой итерации получаю список возможных объектов и сравниваю гистограмму с предыдущим. На основании самого наименьшего делаю вывод что объект предыдущий похож на текущий и дальше метка переходит на новый кадр. и так далее.

Сообщение от ViktorR

Но это общие фразы ...

Ну а как .. как человек я понимаю что в данном случае минимальный объект это похожий объект. Но когда объект новый и в базе его нету то минимальный объект не будет правильным потому что он не достаточно минимальный.
Но хочется какой то оценки не пороговой а адаптивной чтоли.

[Pavia]

Я бы сделал так. Рассчитал среднюю яркость кадра вычел бы её. Затем рассчитал бы локальную ярость по квадрату 100х100 и вычел бы её. Затем по базе подобрал бы максимальное совпадение с задним изображением по квадрату 14х14 затем вычитаем задний фон. После размываем картинку 3-5 раз. Затем ищем локальный максимум. Далее сортируете их по уровню и оставляете не более 100-500 таких максимов.
Потом используешь следующую метрику это произведение СКО(уровень)*СКО(дистанция) по этой метрике находишь геометрическую кляксу которую оставил объект (одна из модификаций алгоритма фагоцита).
Затем фильтруешь свои объекты по площади.

Но вообще обычно используют НС. Она распознаёт объект и даёт оценку. Делается это скользящим окном и потом для пикселей подсчитывается сколько окон дало положительное совпадение (IoU). И по порогу отсекаются лишние. Этот порог тренируешь на датасете.

Сообщение от WorldMaster

Ну а как .. как человек я понимаю что в данном случае минимальный объект это похожий объект. Но когда объект новый и в базе его нету то минимальный объект не будет правильным потому что он не достаточно минимальный.

Строят прямоугольник предсказания. И если в приделах 100 следующих кадров объект был распознан, то в базу заносится вся его траектория. Для этого у точек локального максимума которые мы нашли записывается их координата и время появления в кадре.

Примерно вот так это должно работать.

[WorldMaster]

Сообщение от Pavia

Я бы сделал так. Рассчитал среднюю яркость кадра вычел бы её. Затем рассчитал бы локальную ярость по квадрату 100х100 и вычел бы её. Затем по базе подобрал бы максимальное совпадение с задним изображением по квадрату 14х14 затем вычитаем задний фон. После размываем картинку 3-5 раз. Затем ищем локальный максимум. Далее сортируете их по уровню и оставляете не более 100-500 таких максимов.
Потом используешь следующую метрику это произведение СКО(уровень)*СКО(дистанция) по этой метрике находишь геометрическую кляксу которую оставил объект (одна из модификаций алгоритма фагоцита).
Затем фильтруешь свои объекты по площади.
Строят прямоугольник предсказания. И если в приделах 100 следующих кадров объект был распознан, то в базу заносится вся его траектория. Для этого у точек локального максимума которые мы нашли записывается их координата и время появления в кадре.

При всем уважении, но мне кажется вы прям черезчур усложняете ... НС я мягко говоря разочарован. Да и все это должно работать в реалтайме ... И с тренировкой не особо понятно. Объекты то в целом однотонные а при движении там смазывание такое что практически контуры отсутствуют всякие.

В общем сделал вот так:

По всем объектам формирую расчетную выборку с результатами сравнений гистограмм:

double base_KLDiv = Cv2.CompareHist(hist_base, hist_test1, HistCompMethods.KLDiv);
CheckResult.Add(new KeyValuePair<double, Fragment>(base_KLDiv, bl));

double xa = CheckResult.Average(p => p.Key); // вычисляем среднее по характеристике

// и для каждого элемента считаем квадрат отклонения
// добавил дополнительно фильтр по значениям меньшим чем среднее
// равно нужно для случаев когда в наборе оказывается всего один элемент
var info = CheckResult.Where(d => d.Key <= xa).Select(p => new { Spr = Math.Pow(p.Key - xa, 2) / xa, Item = p }).ToList();

xa = info.Average(p => p.Spr); // повторно считаем среднее квадратов
// равно нужно для случаев когда в наборе оказывается всего один элемент
var filterfrags= info.Where(p => p.Spr >= xa).ToList(); // и считаю его базовым порогом для кандидатов
filterfrags.Sort((a, b) => b.Spr.CompareTo(a.Spr));
var maxfrag = filterfrags.FirstOrDefault(); // дальше достаю максимальный элемент
if (maxfrag!= null)
{
	max = maxfrag.Item.Value;
	Cv2.ImShow("finded", max.sample);
	Cv2.WaitKey(2);
}

Боюсь сглазить но вроде на сложном видео с большими скоростями ни одного сбоя это не дало. Будем надеятся что в реальном времени все также стабильно будет.