监控屏蔽器严重影响时间分辨率
我们在摄像头动态光散射中引入了一种基于电荷耦合器件（CCD）相机的检测方案，即使对于相当混浊的样品也能提供有关单散射自相关函数的信息。它基于单聚焦激光束几何形状并结合散射光强度的选择性互相关干扰器分析。使用 CCD 相机作为多散斑检测器，我们展示了强度图案中的空间相关性如何与单次和多次散射过程相关联。
然后通过实时工作的高效互相关算法实现多重散射抑制，监控时间分辨率低至 0.2 秒。我们的方法允许访问通过选择性检测单散射光来显示低阶散射的广泛系统。对二氧化钛在甘油中的缓慢松弛悬浮液进行了模型实验，以确定我们方法的有效性范围。对于 L=1 cm 的样本大小，该方法的成功应用表明，散射系数超过 $\mu_s = 5$ cm$^{-1}$。本文解决了多视图人员占用地图屏蔽器估计的问题。针对此问题的现有解决方案要么针对每个视图进行操作，要么依赖于背景减除预处理。随着场景变得更加拥挤，这两种方法都会降低检测性能。
前者不利用联合信息，而后者处理不明确的输入，因为随着监控摄像头目标数量的增加，前景斑点变得越来越相互关联。尽管深度学习算法已被证明在大量计算机视觉任务上表现出色，但这种方法尚未应用于该问题。这在很大程度上是由于缺乏大规模的多摄像机干扰屏蔽器数据集。我们方法的核心是一种架构，该架构利用单眼行人数据集（比多视图数据集的规模更大），对多个视频流应用并行处理，并联合利用它。我们的端到端深度学习方法在常用的 PETS 2009 数据集上大幅优于现有方法。此外，我们还公开了新的三摄像头高清数据集。我们的源代码和经过训练的模型将在开源许可下提供。
然后通过实时工作的高效互相关算法实现多重散射抑制，监控时间分辨率低至 0.2 秒。我们的方法允许访问通过选择性检测单散射光来显示低阶散射的广泛系统。对二氧化钛在甘油中的缓慢松弛悬浮液进行了模型实验，以确定我们方法的有效性范围。对于 L=1 cm 的样本大小，该方法的成功应用表明，散射系数超过 $\mu_s = 5$ cm$^{-1}$。本文解决了多视图人员占用地图屏蔽器估计的问题。针对此问题的现有解决方案要么针对每个视图进行操作，要么依赖于背景减除预处理。随着场景变得更加拥挤，这两种方法都会降低检测性能。
前者不利用联合信息，而后者处理不明确的输入，因为随着监控摄像头目标数量的增加，前景斑点变得越来越相互关联。尽管深度学习算法已被证明在大量计算机视觉任务上表现出色，但这种方法尚未应用于该问题。这在很大程度上是由于缺乏大规模的多摄像机干扰屏蔽器数据集。我们方法的核心是一种架构，该架构利用单眼行人数据集（比多视图数据集的规模更大），对多个视频流应用并行处理，并联合利用它。我们的端到端深度学习方法在常用的 PETS 2009 数据集上大幅优于现有方法。此外，我们还公开了新的三摄像头高清数据集。我们的源代码和经过训练的模型将在开源许可下提供。
