2016-02-17 15:22:50 baimafujinji 阅读数 7007

本文系《数字图像处理原理与实践(MATLAB版)》一书的勘误表。

【内容简介】本书全面系统地介绍了数字图像处理技术的理论与方法,内容涉及几何变换、灰度变换、图像增强、图像分割、图像去噪、小波变换、形态学处理、多尺度融合、偏微分方程应用、正交变换与图像压缩、边缘及轮廓检测、图像复原、图像去雾、多尺度空间构建与特征匹配等15大核心话题。所有算法均配有完整的MATLAB实现代码,并以此为基础详细介绍了MATLAB中与图像处理有关的近200个函数的使用方法,便于读者学习与实践。此外,本书还提供了丰富的在线支持资源,方便为读者答疑解惑及提供辅助资料下载。

【选购链接】京东当当亚马逊

 

 

1、P21,  则MATLAB会显示行运行的结果。

应该改为:则MATLAB会显示该行运行的结果。

 

2、P38,代码部分中 i = imread('theatre.jpg') 应该改为 a =  imread('theatre.jpg') 

 

3、P39,   d 为线性函数在y轴上的斜率... ... 

应该改为: d 为线性函数在y轴上的截距... ...

 

4、P129,单调性中的公式有误,原文是:

应该改为:

 

5、P177,原文中的公式:ρ = y sinθ + y cosθ 有误

应该改为:ρ = y sinθ + x cosθ

 

6、第31页第一段,最后一句,''建议读者可以参阅参考文献[2]和[4]以获得更多相关信息'',

应该改为:''建议读者可以参阅参考文献[2]和[3]以获得更多相关信息'',

 

 

7、第386页,公式 有误

 

应该改为:

 

8、第126页,“因此B1位置像素值将被置为1”,应该改为:

因此B2位置像素值将被置为1

 

9、第2章,2.2.3小节中,“产生的图像几乎全黑”,应该改为:

“产生的图像几乎全白”

 

10、第142页,公式有误。

最右侧的一对儿括号内的 加号“+”,应该改为减号 “-”。

 

如果你在阅读本书过程中,发现任何问题,也欢迎反馈给我(可以在本博客留言或者发邮件给我),感谢你为本书的改进所做的贡献。

 

 

 

2017-11-11 11:22:54 qq_18941425 阅读数 551

一、选题背景

二、设计目的和意义

三、设计方案

四、特征分类器的选择

     4.1 常用人脸检测的特征分类器

  4.2 人脸的Haar特征分类器介绍

      4.3 人脸的Haar特征分类器使用

五、设计中主要函数介绍

     5.1detectMultiScale函数详解

5.2VideoCapture类

六、实验结果及总结

七、实验源代码

 

 

                                                                                                               基于OpenCV的摄像头实时人脸检测

一、选题背景

   随着计算机与数字信号处理技术的高速发展,人脸检测技术在众多领域得到广泛应用,人脸检测技术是指在视频或图像中检测出现人脸位置、大小的过程。作为人脸信息处理中的一项关键技术,人脸检测技术己经超出了其它人脸识别模式的应用范畴,在视频处理,图像处理,身份验证,安全监测等方面有着重要的应用价值。openCV是由Intel提供的一系列包括C与C++的提供计算机视觉和图像处理的开源软件包,它为视频或图像处理搭建了很好的软件平台,本实验就是基于openCV,利用Haar特征分类器设计的。一个简单的人脸检测系统,该系统能够快速、准确的检测到图像或视频中的人脸。

二、设计目的和意义

学会使用OpenCV和VS做基本的图像处理工程项目,人脸识别在图像处理中是很成熟的项目,也很有实际应用价值,

三、设计方案

  实验平台:win10+VS2013+OpenCV2.4.13

下面给出OpenCV实现人脸检测的一般步骤:

1.开启摄像头

2.加载人脸检测器

3.对图片进行灰度处理(其实可以不处理,上图中原图的标题栏就是未进行灰度处理进行的检测,这里的灰度是为下节人脸识别打基础)

4.对图片进行直方图均衡化(其实可以不处理,上图中原图的标题栏就是未进行灰度处理进行的检测和灰度图是为进行均衡化识别,这里的均衡化是为下节人脸识别打基础)

5.人脸检测

四、特征分类器的选择

   4.1 常用人脸检测的特征分类器

   在OpenCV中主要使用两种特征进行人脸检测,即Haar特征和LBP特征;在OpenCV中,使用已经训练好的XML格式的分类器进行人脸检测。在OpenCV的安装目录下的sources文件夹里的data文件夹里可以看到下图所示的内容:

上图中文件夹的名字“haarcascades”、“hogcascades”和“lbpcascades”分别表示通过“haar”、“hog”和“lbp”三种不同的特征而训练出的分类器:即各文件夹里的文件。"haar"特征主要用于人脸检测,“hog”特征主要用于行人检测,“lbp”特征主要用于人脸识别。打开“haarcascades”文件夹,如下图所示

图中的XML文件即是我们人脸检测所需要的分类器文件。在实际使用中,推荐使用上图中被标记的“haarcascade_frontalface_alt2.xml”分类器文件,准确率和速度都比较好。

4.2 人脸的Haar特征分类器介绍

       人脸的Haar特征分类器就是一个XML文件,该文件中会描述人脸的Haar特征值。当然Haar特征的用途可不止可以用来描述人脸这一种,用来描述眼睛,嘴唇或是其它物体也是可以的。

4.3 人脸的Haar特征分类器使用

     使用人脸的Haar特征分类器非常之简单,直接使用cvHaarDetectObjects。下面来看看这个函数的介绍:

    函数功能:检测图像中的目录

    函数原型:

CVAPI(CvSeq*) cvHaarDetectObjects(

  const CvArr* image,

  CvHaarClassifierCascade* cascade,

  CvMemStorage* storage,

  double scale_factorCV_DEFAULT(1.1),

  int min_neighbors CV_DEFAULT(3),

  int flags CV_DEFAULT(0),

  CvSize min_sizeCV_DEFAULT(cvSize(0,0)),

  CvSize max_sizeCV_DEFAULT(cvSize(0,0))

);

函数说明:

第一个参数表示输入图像,尽量使用灰度图以加快检测速度。

第二个参数表示Haar特征分类器,可以用cvLoad()函数来从磁盘中加载xml文件作为Haar特征分类器。

第三个参数为CvMemStorage类型,大家应该很熟悉这个CvMemStorage类型了,《OpenCV入门指南》中很多文章都介绍过了。

第四个参数表示在前后两次相继的扫描中,搜索窗口的比例系数。默认为1.1即每次搜索窗口依次扩大10%

第五个参数表示构成检测目标的相邻矩形的最小个数(默认为3个)。如果组成检测目标的小矩形的个数和小于 min_neighbors - 1 都会被排除。如果min_neighbors 为 0, 则函数不做任何操作就返回所有的被检候选矩形框,这种设定值一般用在用户自定义对检测结果的组合程序上。

第六个参数要么使用默认值,要么使用CV_HAAR_DO_CANNY_PRUNING,如果设置为CV_HAAR_DO_CANNY_PRUNING,那么函数将会使用Canny边缘检测来排除边缘过多或过少的区域,因此这些区域通常不会是人脸所在区域。

第七个,第八个参数表示检测窗口的最小值和最大值,一般设置为默认即可。

函数返回值:

函数将返回CvSeq对象,该对象包含一系列CvRect表示检测到的人脸矩形。

五、设计中主要函数介绍

   主要有以下一些函数:

   5.1 detectMultiScale函数详解

   cvHaarDetectObjects是opencv1中的函数,opencv2中人脸检测使用的是 detectMultiScale函数。它可以检测出图片中所有的人脸,并将人脸用vector保存各个人脸的坐标、大小(用矩形表示),函数由分类器对象调用:  

void detectMultiScale(

    constMat& image,

    CV_OUTvector<Rect>& objects,

    doublescaleFactor = 1.1,

    intminNeighbors = 3,

    intflags = 0,

    SizeminSize = Size(),

    SizemaxSize = Size()

);

函数介绍:

参数1:image--待检测图片,一般为灰度图像加快检测速度;

参数2:objects--被检测物体的矩形框向量组;

参数3:scaleFactor--表示在前后两次相继的扫描中,搜索窗口的比例系数。默认为1.1即每次搜索窗口依次扩大10%;

参数4:minNeighbors--表示构成检测目标的相邻矩形的最小个数(默认为3个)。如果组成检测目标的小矩形的个数和小于 min_neighbors - 1 都会被排除。如果min_neighbors 为 0, 则函数不做任何操作就返回所有的被检候选矩形框,这种设定值一般用在用户自定义对检测结果的组合程序上;

参数5:flags--要么使用默认值,要么使用CV_HAAR_DO_CANNY_PRUNING,如果设置为CV_HAAR_DO_CANNY_PRUNING,那么函数将会使用Canny边缘检测来排除边缘过多或过少的区域,因此这些区域通常不会是人脸所在区域;flags对于新的分类器没有用(但目前的haar分类器都是旧版的,CV_HAAR_DO_CANNY_PRUNING利用Canny边缘检测器来排除一些边缘很少或者很多的图像区域,CV_HAAR_SCALE_IMAGE就是按比例正常检测,CV_HAAR_FIND_BIGGEST_OBJECT只检测最大的物体,CV_HAAR_DO_ROUGH_SEARCH只做初略检测),

参数6、7:minSize和maxSize用来限制得到的目标区域的范围。

 

  5.2 VideoCapture类

(1)VideoCapture capture 

VideoCapture类的构造函数:

C++: VideoCapture::VideoCapture()

C++: VideoCapture::VideoCapture(const string& filename)

C++: VideoCapture::VideoCapture(int device)

功能:创建一个VideoCapture类的实例,如果传入对应的参数,可以直接打开视频文件或者要调用的摄像头。

参数:

filename – 打开的视频文件名。

device – 打开的视频捕获设备id ,如果只有一个摄像头可以填0,表示打开默认的摄像头。

(2)capture.open(0)

功能:打开一个视频文件或者打开一个捕获视频的设备(也就是摄像头)

C++: bool VideoCapture::open(const string& filename)

C++: bool VideoCapture::open(int device)

参数:

filename – 打开的视频文件名。

device – 打开的视频捕获设备id ,如果只有一个摄像头可以填0,表示打开默认的摄像头。

通过对VideoCapture类的构造函数和open函数分析,可以发现opencv读入视频的方法一般有如下两种。比如读取当前目录下名为"dog.avi"的视频文件,那么这两种写法分别如下。

(1)先实例化再初始化:

VideoCapture capture;

capture.open("dog.avi");

(2)在实例化的同时进行初始化:

VideoCapture("dog.avi");

六、实验结果及总结

   实验结果如下图:

本实验完成了人脸识别的代码编写,最终生成了可执行文件,检测图片如上图,可以检测出人脸,但是由于外界因素如光照、佩戴眼镜、帽子等可对检测结果造成影响,导致检测不出来,后期还需优化算法及代码。

七、实验源代码

   

#include<iostream>

#include<stdio.h>

#include<opencv2/opencv.hpp>

#include<opencv2/highgui/highgui.hpp>  //HighGUI模块包含媒体的输入输出、视频捕捉、图像和视频的编码解码、图形界面的接口等部分。

#include<opencv2/imgproc/imgproc.hpp>  //图像处理模块,图像改变大小,及一些高级功能,如:图像分割,直方图

#include"opencv2/core/core.hpp"  //核心模块,Opencv最基本的结构(矩阵,点,线和形状)及相关基础运算操作

using namespace cv;

using namespace std;

 

#define W 1920

#define H 1080

 

string face_cascade_name ="D:/VS2013project/Face_D_2017_1_1/haarcascade_frontalface_alt2.xml";

CascadeClassifier face_cascade; //定义级联分类器,实例化对象 

int facesnum = 0; //检测的人脸数初始化

void DectectorAndDis(Mat frame)

{

    Matface_gray = Mat::zeros(H, W, CV_8UC3); //Mat(行,列,类型(值))

    vector<Rect>faces;

    cvtColor(frame,face_gray, CV_BGR2GRAY);//RGB转化为灰度,提高检测效率

    equalizeHist(face_gray,face_gray);//直方图均衡化,提高识别率

    face_cascade.detectMultiScale(face_gray,faces, 1.01, 3, 0 | CV_HAAR_SCALE_IMAGE, Size(30, 30));//多尺寸检测人脸

    //标记每一个检测到的人脸

    for(int i = 0; i < faces.size(); i++)

    {

           //检测到的人脸中心点

        PointCvBox2D(int(faces[i].x + faces[i].width*0.5), int(faces[i].y +faces[i].height*0.5));

        //检测到的人脸画椭圆

        ellipse(frame,CvBox2D, Size(int(faces[i].width*0.5), int(faces[i].height*0.5)), 0, 0, 360,Scalar(255, 0, 0), 4, 8, 0);

    }

    //如果检测到的人脸数有变化,改变数值并将新值显示

    if(facesnum != faces.size())

    {

        cout<< "人脸数:" << faces.size()<< endl;

        facesnum= faces.size();

    }

    imshow("读取视频", frame);

}

int main(int argc, char* argv[])

{

    //cv::Mattest  =cv::imread("E:/code/Myprojects/ConsoleApplication1/test.jpg",0);

    //cv::Mattest1;

    //resize(test,test, Size(W, H));

    //imshow("test",test);

    //cv::Canny(test,test1, 1, 3, 3);

    //imshow("test1",test1);

    //test.convertTo(test,CV_32SC1);

    VideoCapturecapture; //视频操作类实例化

    capture.open(0);//如果是笔记本,0打开的是自带的摄像头,1 打开外接的相机

    Matframe = Mat::zeros(H, W, CV_8UC3);

    //Matframeaftcanny = Mat::zeros(H, W, CV_8UC3);

    //加载人脸检测的Haar分类器

    face_cascade.load(face_cascade_name);//用load函数加载XML分类器文件

    while(1)

    {

        capture>> frame;//视频的每帧

        //cv::Canny(frame,frameaftcanny, 100, 300, 3);

        //imshow("边缘检测", frameaftcanny);

        DectectorAndDis(frame);//检测每帧

        cv::waitKey(10);//第一个参数: 等待x ms,如果在此期间有按键按下,则立即结束并返回按下按键的

     }

    return0;

}

 

 

2019-01-17 14:28:10 weixin_44533910 阅读数 369

课程目录
    FasterRCNN原理与源码
    FCN图像语义分割原理与源码
    Kaggle竞赛之路_Python机器学习
    MatConvNet_源码全解析
    Python_科学计算教程
    TensorFlow_初级教程
    TensorFlow_中级教程
    阿里云之机器学习实践
    机器视觉之OpenCV教程
    机器学习_Python_scikit-learn
    京东量化平台入门指南
    卷积神经网络入门到精通
    深度学习框架简介
    视觉目标跟踪

 

 

下载地址:百度网盘

2018-11-21 21:19:33 wuyangyang555 阅读数 280

【中国安防展览网 市场分析】系统梳理总结当前安防+AI 的发展现状,尤其重点分析智慧安防领域存在的八大限制性因素,以及智慧安防的八大新的发展趋势。
 
  传统的安防企业、新兴的 AI 初创企业,开始积极从技术各个维度拥抱人工智能,在模式识别基础理论、图像处理、计算机视觉以及语音信息处理展开了集中研究与持续创新,探索模式识别机理以及有效计算方法,为解决应用实践问题提供了关键技术,具备了原创性技术的突破能力。
 
  很多企业推出了系列化的前后端 AI 安防产品,理论上满足了许多典型场景下的实战应用需求。人工智能技术的不断进步,传统的被动防御安防系统将升级成为主动判断和预警的智慧安防系统;安防从单一的安全领域有望向多行业应用、提升生产效率、提高生活智能化程度方向发展,为更多的行业和人群提供可视化、智能化解决方案 。
 
  本期的智能内参,我们推荐中国科学院自动化研究所出品的报告《 安防+AI 人工智能工程化白皮书 》,系统梳理总结当前安防+AI 的发展现状,尤其重点分析指出了智慧安防领域存在的八大限制性因素,以及智慧安防的八大新的发展趋势,供学术界及实业界的学者、专家参考。如果想收藏本文的报告全文(安防+AI 人工智能工程化白皮书 ),可以在智东西公众号:(zhidxcom)回复关键词“nc302”获取。
 
  以下为智能内参整理呈现的干货:
 
  安防+AI的前世今生1、AI的发展历程
 
  从20 世纪 50 年代开始,AI的发展经历了三个阶段:
 
  1、20 世纪 50 年代—80 年代: 形成了基本的人工智能,但还远远不及智能化水平。
  2、20 世纪 80 年代—90 年代末: 专家系统得到快速发展,数学模型有重大突破。
  3、21 世纪初—至今: 随着大数据的积聚、算法理论的革新、计算能力的提升, 尤其是深度学习技术的发展,机器实现了分析数据,拥有了自主学习的能力。
 


  ▲AI的发展历程
 
  2、AI产品化近在眼前
 
  得益于基础硬件的强化与软件框架的优化,使这一轮人工智能的爆发式增长得以实现。而基础应用技术的进一步研发则使人工智能从抽象技术实现了向可及性产品与服务的转变。
 


  ▲深度学习人工智能的技术架构
 
  这种产品化是建立在现在的三大技术框架之上的,分别是基础硬件层、软件框架层和算法框架:基础硬件层为算法提供了基础计算能力。涵盖 GPU、 CPU、 FPGA、 ASIC。
 


  ▲基础硬件提供基础算力,四大类硬件特点
 
  软件框架层实现算法的模块化封装,为应用开发提供集成软件工具包。该层涵盖范围包括针对算法实现开发的各类应用及算法工具包,为上层应用开发提供了算法调用接口,提升应用实现的效率。
 
  算法框架是人工智能核心生态圈建立的关键环节, 是决定人工智能技术、产业、应用的核心环节,是人工智能核心生态圈建立的基础和关键。
 
  当前人工智能的商业化实现主要是基于计算机视觉、智能语音、自然语言处理等基础应用技术实现,并形成了相应的产品或服务。
 
  目前国内外人工智能企业应用的技术主要是计算机视觉和智能语音语义两个方面。
 


  ▲国内外人工智能企业应用技术分布,计算机视觉占比较高
 
  3、各国政策和智慧安防
 
  人工智能被认为是第四次工业革命的主要推动技术,获得了各行业的极大关注。 为了抓住 AI 发展的战略机遇,越来越多的国家和组织已经相继制定国家层面的发展规划。
 


  ▲世界人工智能产业政策指导
 
  中国高度重视人工智能发展, 2015 年后密集发布人工智能相关政策和规划。
 


  ▲中国高度重视人工智能发展
 
  在人工智能应用领域,我国智慧安防领域走在了世界的最前沿。在国内众多关于人工智能的政策、发文、规划中多次提到将人工智能技术应用于公共安全领域,进行技术创新、产品和应用创新,同时相关部门也提出并发布了在视频监控应用中基于人工智能的视频图像处理技术标准。
 
  4、智慧安防时代到来
 
  全球 AI 相关产品业规模庞大。 据中国人工智能学会和罗兰贝格咨询公司预测, 2016 年至 2025 年,全球人工智能市场规模年均增速超过 40%, 2025 年将达到 3 万亿美元。
 


  ▲全球人工智能市场规模预测
 
  在这个技术大背景之下,我国人工智能产业初具优势。中国电子学会公开数据显示, 2017 年,中国人工智能核心产业规模已达到 56 亿美元左右,预计 2020年,中国人工智能核心产业规模将超过 220 亿美元,年均增速接近 65%。
 
  中国人工智能市场规模预测, 产业初具优势
 
  按照中国信息通信研究院的统计结果,目前中国人工智能市场主要由五个领域构成,按照市场规模从高到低分别为:机器视觉占比 37%,语音识别占比 22%,自然语言处理占比 16%,基础算法及平台占比 14%,芯片占比 11%。其中,由于近几年中国互联网娱乐、广告传播和公共安全视频监控市场的高速发展,计算机视觉市场规模以 37%占比大幅领先。
 


  ▲2017 年人工智能市场结构,计算机视觉占主比大幅领先
 


  ▲2017 年中国计算机视觉行业市场构成,安防占据大部分
 
  在机器视觉领域市场构成中,安防行业以 67.9%占据大部分份额,这得益于中国公共安全视频监控建设的庞大市场。 随着高清视频、智能分析、云计算和大数据等相关技术的发展, 安防系统正在从传统的被动防御升级成为主动判断和预警的智能防御。 安防行业也从单一的安全领域向多元化行业应用方向发展,旨在提升生产效率、提高生活智能化程度,为更多的行业和人群提供可视化、智能化解决方案。 随着智慧城市、智能建筑、智慧交通等智能化产业的带动, 智慧安防也将保持高速增长。 预计在 2020 年全球产业规模实现 106 亿美元, 中国会达到20 亿美元。
 
  而在安防行业,人工智能应用发展最快的是人脸识别 。
 


  ▲人脸识别市场规模发展最快
 
  智慧安防生态
 
  现阶段,智慧安防行业生态可为五个大类,分别是应用、技术、框架、平台、芯片。
 


  ▲智慧安防生态圈
 
  1、基础硬件
 
  这里的基础硬件特别强调芯片厂商, 目前主要的 AI 核心芯片供应商如下图所示:
 


  ▲目前主要 AI 芯片厂商
 
  GPU 主要应用在数据中心,其特点是产品上市快,缺点是功耗高。安防应用中, GPU 芯片基本被英伟达垄断。
 


  ▲人工智能应用,安防业内 GPU 芯片被英伟达垄断
 
  安防领头企业不乏基于 GPU 的视频监控产品,如下图所示:
 


  ▲安防+AI 典型落地应用产品
 
  FPGA 在中心推理及数据中心也有较多应用,与 GPU 比, FPGA 的功耗优势明显。安防应用中, FPGA 主要厂家有 Xilinx、 Intel(原 Altera)等。
 
  ASIC 主要应用于端侧推理,由于端侧应用的多样性、复杂性以及对高性价比述求等原因, ASIC 厂家很多, 例如: 寒武纪、海思、地平线、比特大陆等,同时提供的方案也多。2018 年安防市场 ASIC 竞争非常激烈,下图是根据网络数据整理的各 ASIC芯片上市进度。 其中,海思的布局非常密集 。
 


  ▲ASIC 芯片上市快,布局密集
 
  2、软件框架
 
  软件框架技术仍掌握在亚马逊、微软、谷歌、百度等科技巨头手中,是深度学习人工智能的核心。
 
  算法框架是人工智能核心生态圈建立的关键环节。 实现算法的模块化封装, 为应用开发提供集成软件工具包,包括针对算法实现开发的各类应用及算法工具包,为上层应用开发提供了算法调用接口等服务。
 
  3、基础算法
 
  安防行业的算法企业总体来说可以分为两大类。第一大类是商汤、旷视、云从、依图、中科神探等 CV 企业;第二大类是海康、大华、宇视,也开始 AI 算法技术布局。随着各企业的投入进一步加大,视频识别算法准确率大幅度提升。例如人脸识别算法,在特定条件下,已经达到很高的水平。
 
  此外, 在图像分类、物体检测等方面,计算机的识别率都已经远远超越了人类平均水平。
 
  4、产品及行业应用
 
  除了传统的海康、大华、宇视、科达、天地伟业、东方网力等安防厂商外,CV 厂商和云平台供应商也逐步开始提供产品和行业应用。
 
  除了前文提到的云中心产品,各企业基本已经完成边缘智能产品序列化。随着边缘和中心产品的丰富,用户开始对应用业务提出了更高的要求。从目前行业情况来看,无论是传统安防企业,还是 CV 和云平台企业,在业务应用上虽有部分提升,但仍以典型通用应用为主。
 


  ▲主流厂家边缘/中心智能产品丰富,用户更重视实际应用
 
  典型智慧安防应用
 
  随着 AI 在安防行业的渗透和深层次应用技术的研究开发,当前安防行业已经呈现“无 AI,不安防”的新趋势,各安防监控厂商全线产品 AI 化已经是当前不争的事实,同时也成为各厂商的新战略。随着 AI 在安防行业的深入落地, AI在安防领域尤其是视频监控领域的产品形态及应用模式也开始趋于稳定,安防行业的 AI 技术主要集中在人脸识别、车辆识别、 行人识别、行为识别、 结构化分析、大规模视频检索等方向。
 
  安防行业的 AI 应用场景分为卡口场景和非卡口场景, 前者指光线、 角度等条件可控的应用场景, 以车辆卡口及人脸卡口为主; 后者指普通治安监控视频场景。 其中, 卡口场景约占监控摄像机总量的 1%-3%, 剩余的均为非卡口场景监控视频 。
 
  1、卡口场景: 人脸身份确认应用
 
  人脸身份确认应用以公安行业人员布控为代表,在关键点位部署人脸抓拍摄像机,通过后端人脸识别服务器对抓拍到的人脸进行分析识别,同时与人脸黑名单库进行比对。随着人员布控应用的增强,已经初显效果。例如近期的“张学友演唱会” 抓获疑犯就是卡口场景确认的身份。
 
  2、 卡口场景: 人脸身份验证应用
 
  人脸身份验证应用逐渐普遍。 常见的人脸白名单应用已经在很多行业落地,比如人脸门禁、人脸速通门、人脸考勤、人员身份确认等,广泛应用于企业、各类园区等场景。 除实现基础的人脸识别应用外, 人脸门禁还可以防止通过照片、视频等人脸假冒行为,切实保障出入口人员安全管控及日常人员管理等。
 
  3、卡口场景: 车辆识别应用
 
  车辆识别技术是公安实战中应用最成熟、 效果最明显的技术之一。借助遍布全国各地交通要道的车辆卡口,车牌识别使得“以车找人” 成为现实, 成功协助警方破获各类案件。 车辆识别技术已经从初级的基于车牌的车辆识别应用阶段,发展到车型识别、 套牌车识别等精准的车辆识别应用阶段。
 
  4、非卡口场景: 视频结构化分析与快速检索应用
 
  在视频结构化分析与快速检索应用中,视频结构化业务功能是对视频中的机动车、非机动车、行人等活动目标进行分类检测; 同时提取目标小图和场景大图写入存储设备中,便于后续的快速查询及智能检索。通过视频结构化业务快速分析并提取出视频中感兴趣目标的特征属性信息,用户能够高效获取案事件相关线索,促进大安防时代视频数据从看清跨入到看懂的阶段。
 
  5、 非卡口场景: 行为分析辅助安防应用
 
  行为分析可辅助安防应用。通过行为分析系统对人员的异常行为进行分析处理,可应用于重点区域防范、重要物品监视、可疑危险物品遗留等行为的机器识别; 也可对人员的异常行为进行报警,极大提升了视频监控的应用效率。
 
  智慧安防规模应用的八大限制性因素
 
  虽然人工智能技术飞速发展,但在产品化和实践应用中,依然存在很多问题 。 在过去几年,人工智能热度很高,但实际上只完成了“概念模型”的建立,尚未达到“有效利用”的理想效果。 现阶段限制规模应用主要有八个因素: 成本高昂 、 算法场景限制高 、 布点困难 、 网络和安全要求更高 、深度应用不足 、系统性顶层设计、 缺乏行业标准与评估体系和用户学习与组织保障成本更高 。
 
  成本高昂。当前,影响“安防+AI”产品解决方案规模化应用的因素有很多,成本高昂是众多原因之一。从一个典型中大型城市级公共安全视频监控联网项目各部分成本占比情况可以清晰看出成本是“安防+AI”发展的重要瓶颈。
 


  ▲安防+AI 与传统安防两周方案建设成本比对
 
  算法限制高。人工智能算法的泛化能力是模式识别问题长期面临的一个问题,也是现阶段的主要瓶颈。
 
  由于训练好的模型用在变化的场景中性能往往会明显下降,因此在实际使用中,必须对场景进行严格定义,或者从设计上将智能算法定位为对指标不敏感的辅助功能。在比较成熟的应用中,如智能交通中的过车及违章抓拍、机场车站的人证对比等,都需要具体的工程安装方案。这种做法在技术不够成熟的条件下有效实现了商业价值,但缺点同样明显:一方面,对已有设备的改造需要增加施工成本,影响人工智能算法对传统应用的渗透;另一方面,也限制了获取有效素材的效率,影响算法指标的进一步提升。
 
  布点困难。 人工智能往往有特定的场景要求,只有在特定场景下才能保持较好的识别率。进行人脸识别的摄像机,需要严格遵从公安部发出的政策标准,导致大幅度降低人脸识别的可应用空间,也大幅度提升了施工难度。
 


  ▲人脸识别摄像机使用场景模拟示意图
 
  网络和安全要求更高 。 近年来,人工智能技术的蓬勃发展赋予了安防监控系统更加多样化的业务功能,将安防监控行业的市场空间进一步拓宽,使安防监控系统在各行各业得到广泛部署。但从风险角度而言,在 AI 与安防融合发展的进程中,将大量非结构化视频转化为可快速检索的结构化数据,一旦网络被攻击,数据泄漏后的损失将更为恶化;另一方面人工智能将大量视频、图片集中到云中心,对网络带宽提出了更高要求。
 
  深度应用不足 。 视频监控系统产生的数据量庞大, 而且日趋多元化 ,但现阶段存在一些数据的利用率低、真正解决客户实战问题的能力还有待于提高和基于结构化视频数据的深度智能应用尚处于初级阶段。
 
  系统性顶层设计 。 安防+AI 解决方案在传统安防的基础之上不仅对布点、 网络、存储等提出新的挑战,还在组成上多出了视图分析系统、 大数据研判系统、视图资源归档、 对外接口服务, 以及最重要也是必不可少的告警、审核、辅助研判及抓捕一系列流程配合。安防+AI 方案融入了更多的系统集成的同时,不论是前期的科学选点,还是后期的研判抓捕,以及组织、 流程保障等人的因素贯穿始终。 因此, 安防+AI 解决方案需要进行前瞻性、 系统性、 科学的顶层设计, 这是能否真正落地、取得丰富实战效果的前提。
 
  缺乏行业标准与评估体系 。 当前情况下, 安防+AI 算法、 产品及解决方案以企业标准为主, 应逐步建立面向实战应用的行业标准。鉴于人工智能技术飞速发展的现状,现阶段全面建立统一的行业标准有可能会伤害安防行业的健康发展, 但安防+AI 算法、 产品及解决方案的评估体系应尽快构建。
 
  用户学习与组织保障成本更高 。 AI 产品方案在安防行业的落地,对用户来说:如何使用好这样一套系统,让系统发挥出它最大的功效是一个全新的挑战,这个挑战不仅源于对颠覆原有以往任何技术手段的不断学习和经验总结,更来自于用户自身的组织和制度如何保障系统有效运转 。
 
  八大新趋势造就智慧安防新未来
 
  工程的科学布点 。人工智能的强场景化特点,决定了在智慧安防应用中,摄像机的使用位置、覆盖范围受到很大限制。相同数量的摄像机,在一个城市中的开放区域,安装于不同的位置,所能起到的作用显然是不同的。 一个智慧安防系统如何在有限的摄像机资源覆盖情况下,达到最优的防范效果?这就对系统方案设计、布点设计提出了更高的要求。
 
  产品的云端结合。目前安防系统中,常见的中心计算架构问题已经日趋严重,主要体现为网络传输带宽问题、 及时性问题得不到有效解决。 边缘计算的出现有效缓解了上述问题。 云计算聚焦非实时、长周期数据以及业务决策场景,而边缘计算在实时性、短周期数据以及本地决策等场景方面有不可替代的作用。 这使得云端云端结合成为新趋势: 一些需要集中式处理的计算继续交由大型云计算中心,如大数据挖掘、大规模学习; 大量实时的需要交互的计算、 分析在边缘节点完成。 同时边缘计算也是云端所需高价值数据的采集终端,可以更好的支撑云端应用的大数据分析; 而云端通过大数据分析得出的一些业务规则也可以下发到边缘端,优化边缘端的业务决策。云计算与边缘计算分工协作,来满足智能时代爆发式的计算需求。
 
  AI 分布式计算 。 在智能应用场景中,存在空间和时间的不均衡性。空间不均衡性是指在不同场景不同地点,分析目标的密集度是不同的;时间不均衡性是指在同一个区域,不同时间的分析目标的密集度是不同的。 因此,采用分布式计算架构将成为未来趋势。 通过对全网的中心计算设备和边缘计算设备进行统一的计算调度,可以有效地缓解问题,大幅度降低智能应用系统的整体建设成本。
 
  数据的多维应用 。现今的智能监控系统已经开始融合人工智能分析技术和物联网技术,采集和提取更多有效的多维数据。人工智能技术能够对视频内容进行智能分析,将所有运动目标进行自动分离、自动分类, 并自动提取目标多维度的结构化数据以及半结构化数据。 通过对历史数据的分析挖掘, 可以挖掘事件的内在联系, 识别出异常模式,从而提供实时报警服务;利用知识图谱技术, 可以挖掘人和人、人和事、事件和事件之间的关联关系,并进行深度推理,进而为重大事件提供决策分析, 提高预警的准确性和及时性。
 
  数据和网络安全 。 为了解决安防系统中的安全问题,适应新的等级保护条例要求,主要在以下几点采用新技术、 新方案来解决安防系统中的安全问题。
 


  ▲网络安全相关技术要求
 
  下一代人机交互技术 。 随着智能技术在安防系统里的应用,产生的数据越来越多,随之而来问题:如何让使用者快速看懂数据,也就是数据可视化的问题。安防行业下一代的人机交互, 展现上会朝着操作性和立体性更强的方面发展, 交互上朝着互动感更强方面发展,应用上朝着功能业务深度结合的方面发展。
 
  系统设计及项目实践能力不断提升 。 智能业务应用的落地需要建立在合理的成本控制、合格的施工质量、完善的数据整合和配套的管理机制之上。再由配套场景的算法、模型基于高效的计算框架将数据转化为可视化的用户业务,进一步驱动或辅助用户决策。因此,智能业务应用是一项系统工程,架构、算法、计算、数据、应用、工程、管理流程等缺一不可,需要不断加强系统性顶层设计的能力,提高项目实践能力。
 
  非卡口存量视频逐步应用 。 据统计数据,中国一年有约 5000 万个摄像机需求,实际只有约 50 万个智能摄像机被有效应用,仅占 1%左右,而高达 99%的摄像机无法赋予“智能”属性。这意味着安防+AI 刚刚进入初级阶段。 非卡口场景下人工智能算法的泛化能力是在安防领域落地的主要瓶颈之一。与传统模式识别方法相比,在大数据的支撑下,深度学习算法的泛化能力和复杂场景的适应性有了明显的提升。
 
  智东西认为, 智慧安防的技术基础和产品化已趋成熟,因此在下一阶段的命题就是如何系统化规模部署。挑战与机遇并存,从技术手段的不断革新到产品形态的成熟落地,智慧安防仍然面临众多难题,诸如成本高昂、工程化布点困难、算法场景局限大、缺乏深度应用、缺乏系统性顶层设计、缺乏满足实战应用的行业标准与评估体系等。能够在多大程度上解决这些问题,关系着智慧安防产品和方案能否真正的落地生根。
文章链接:中国安防展览网 http://www.afzhan.com/news/detail/70681.html

没有更多推荐了,返回首页